目錄
前言
第1章 緒論1
1.1圖像語義分析研究的背景1
1.2圖像語義分析研究的意義3
1.3圖像語義分析存在的問題與研究方向4
1.4本書的主要內(nèi)容與創(chuàng)新點6
1.5本書的組織結(jié)構(gòu)7
參考文獻9
第2章 多示例學習算法研究現(xiàn)狀及應用15
2.1多示例學習的起源15
2.2多示例學習與傳統(tǒng)機器學習的區(qū)別17
2.3多示例學習的主要概念18
2.4多示例學習的主要算法20
2.4.1軸平行矩形算法20
2.4.2多樣性密度算法21
2.4.3基于kNN的惰性多示例學習方法22
2.4.4基于支持向量機的多示例學習方法23
2.4.5半監(jiān)督的MIL算法28
2.4.6其他的多示例學習算法29
2.5多示例學習的應用領域30
2.5.1基于內(nèi)容的圖像檢索30
2.5.2目標識別30
2.5.3醫(yī)療圖像輔助識別31
2.5.4文本分類31
2.5.5股票預測32
2.6MIL標準測試數(shù)據(jù)集32
2.6.1Musk數(shù)據(jù)集32
2.6.2Corel 2k數(shù)據(jù)集33
2.6.3SIVAL數(shù)據(jù)集33
2.7本章小結(jié)33
參考文獻34
第3章 基于推土機距離的惰性多示例學習算法及應用39
3.1引言39
3.2多示例包的構(gòu)造方法40
3.2.1JSEG圖像分割40
3.2.2自適應JSEG圖像分割41
3.2.3構(gòu)造多示例包(特征提取)42
3.3Citation-kNN算法及其不足42
3.4推土機距離43
3.5基于自適應推土機距離的MIL算法與圖像檢索44
3.5.1自適應推土機距離44
3.5.2AEMD-CkNN算法步驟45
3.5.3圖像檢索試驗結(jié)果與分析46
3.6基于區(qū)域權(quán)值調(diào)整推土機距離的MIL算法與圖像分類48
3.6.1區(qū)域權(quán)值調(diào)整推土機距離48
3.6.2EMD-CkNN算法步驟50
3.6.3圖像分類試驗結(jié)果與分析50
3.7本章小結(jié)53
參考文獻53
第4章 基于FSVM-MIL算法的對象圖像檢索55
4.1引言55
4.2基于模糊支持向量機的多示例學習算法55
4.2.1模糊支持向量機56
4.2.2模糊隸屬度函數(shù)57
4.2.3FSVM-MIL算法步驟58
4.3試驗結(jié)果與分析59
4.3.1試驗方法59
4.3.2試驗結(jié)果與效率分析60
4.4本章小結(jié)61
參考文獻62
第5章 基于QPSO-MIL算法的圖像標注63
5.1引言63
5.2基于區(qū)域的圖像標注64
5.3圖像標注問題的數(shù)學描述65
5.4圖像標注與多示例學習65
5.5QPSO-MIL算法及步驟67
5.5.1量子粒子群優(yōu)化算法67
5.5.2適應度函數(shù)設計67
5.5.3QPSO-MIL算法步驟68
5.6試驗結(jié)果與分析69
5.6.1試驗圖像庫69
5.6.2試驗方法69
5.6.3試驗結(jié)果與分析70
5.6.4算法效率分析72
5.7本章小結(jié)72
參考文獻72
第6章 基于視覺空間投影的多示例學習算法與圖像檢索75
6.1引言75
6.2現(xiàn)有工作與不足77
6.3RSTSVM-MIL算法77
6.3.1視覺投影空間構(gòu)造77
6.3.2視覺投影特征計算79
6.3.3RSTSVM-MIL算法步驟79
6.4試驗結(jié)果與分析82
6.4.1圖像庫及試驗方法82
6.4.2算法性能與K的關系82
6.4.3對比試驗及分析83
6.5本章小結(jié)85
參考文獻86
第7章 基于模糊潛在語義分析的多示例學習算法與圖像分類88
7.1引言88
7.2FLSA-SSMIL算法89
7.2.1建立視覺詞匯表89
7.2.2構(gòu)造模糊“詞-文檔”矩陣90
7.2.3模糊潛在語義特征92
7.2.4FLSA-SSMIL算法步驟93
7.3試驗結(jié)果與分析94
7.3.1藥物活性預測94
7.3.2圖像分類試驗95
7.3.3算法效率99
7.4本章小結(jié)99
參考文獻99
第8章 基于多示例學習的目標跟蹤算法102
8.1引言102
8.2基于外觀模型的跟蹤算法103
8.2.1概述103
8.2.2分類104
8.2.3數(shù)據(jù)庫109
8.2.4評價標準110
8.3基于多示例學習的跟蹤算法原理110
8.3.1算法框架111
8.3.2在線多示例學習分類器112
8.3.3弱分類器構(gòu)造113
8.4基于混合高斯模型和多示例學習的跟蹤算法113
8.4.1算法概述114
8.4.2包中示例特征建模115
8.4.3訓練弱分類器116
8.4.4構(gòu)造強分類器117
8.4.5試驗117
8.5本章小結(jié)122
參考文獻122
第9章 基于多示例集成學習的色情圖像識別126
9.1研究現(xiàn)狀及趨勢126
9.1.1色情圖像識別研究現(xiàn)狀126
9.1.2色情圖像識別技術發(fā)展趨勢127
9.2基于SSP多示例建模129
9.2.1多示例建模129
9.2.2基于稀疏編碼的“元數(shù)據(jù)”提取133
9.3基于極限學習機的集成多示例學習算法135
9.3.1基于極限學習機的基分類器135
9.3.2ELMCE-MIL算法及步驟136
9.4試驗結(jié)果與分析137
9.4.1實驗圖像與方法137
9.4.2多示例建模方法對比試驗138
9.4.3試驗結(jié)果與分析138
9.5本章小結(jié)140
參考文獻141
第10章 多示例框架下的刑偵圖像檢索及實現(xiàn)144
10.1引言144
10.2基于多示例學習的刑偵圖像檢索146
10.2.1有重疊網(wǎng)格分塊方法146
10.2.2分塊視覺特征提取146
10.2.3基于推土機距離的多示例包相似度量149
10.2.4算法流程150
10.3MATLAB仿真程序150
10.3.1基于網(wǎng)格分塊構(gòu)造多示例包150
10.3.2相似檢索MATLAB程序157
10.3.3使用方法159
10.4試驗結(jié)果與分析159
10.5本章小結(jié)162
參考文獻162
第11章 基于MIL的紅外圖像人臉識別及實現(xiàn)165
11.1引言165
11.2SIFT算法原理及描述子166
11.2.1關鍵點檢測166
11.2.2關鍵點描述170
11.3基于MIL的紅外人臉識別算法172
11.3.1MIL建模173
11.3.2LSA-MIL算法原理173
11.4MATLAB仿真程序178
11.4.1構(gòu)造多示例包178
11.4.2計算潛在語義特征179
11.4.3訓練與識別183
11.4.4使用方法185
11.5試驗結(jié)果與分析186
11.5.1人臉庫與試驗方法186
11.5.2對比試驗及分析187
11.6本章小結(jié)188
參考文獻188
第12章 基于MIL的圖像分類算法及實現(xiàn)190
12.1引言190
12.2基于MIL的圖像分類算法原理191
12.2.1基于圖像分割構(gòu)造多示例包191
12.2.2計算多示例包的投影特征194
12.2.3投影特征分析195
12.2.4有監(jiān)督學習求解MIL問題197
12.3MATLAB仿真程序198
12.3.1構(gòu)造多示例包MATLAB程序199
12.3.2投影特征計算MATLAB程序203
12.3.3支持向量機訓練與預測MATLAB程序205
12.3.4使用方法210
12.4試驗方法與結(jié)果212
12.4.1試驗圖像庫212
12.4.2試驗結(jié)果212
12.5本章小結(jié)215
參考文獻216
第13章 總結(jié)與展望218
13.1工作總結(jié)218
13.2進一步研究與展望219