图像语义分析算法与实现 基于多示例学习PDF电子书下载

第1章 绪论 1

1.1 图像语义分析研究的背景 1

1.2 图像语义分析研究的意义 3

1.3 图像语义分析存在的问题与研究方向 4

1.4 本书的主要内容与创新点 6

1.5 本书的组织结构 7

参考文献 9

第2章 多示例学习算法研究现状及应用 15

2.1 多示例学习的起源 15

2.2 多示例学习与传统机器学习的区别 17

2.3 多示例学习的主要概念 18

2.4 多示例学习的主要算法 20

2.4.1 轴平行矩形算法 20

2.4.2 多样性密度算法 21

2.4.3 基于kNN的惰性多示例学习方法 22

2.4.4 基于支持向量机的多示例学习方法 23

2.4.5 半监督的MIL算法 28

2.4.6 其他的多示例学习算法 29

2.5 多示例学习的应用领域 30

2.5.1 基于内容的图像检索 30

2.5.2 目标识别 30

2.5.3 医疗图像辅助识别 31

2.5.4 文本分类 31

2.5.5 股票预测 32

2.6 MIL标准测试数据集 32

2.6.1 Musk数据集 32

2.6.2 Corel 2k数据集 33

2.6.3 SIVAL数据集 33

2.7 本章小结 33

参考文献 34

第3章 基于推土机距离的惰性多示例学习算法及应用 39

3.1 引言 39

3.2 多示例包的构造方法 40

3.2.1 JSEG图像分割 40

3.2.2 自适应JSEG图像分割 41

3.2.3 构造多示例包（特征提取） 42

3.3 Citation-kNN算法及其不足 42

3.4 推土机距离 43

3.5 基于自适应推土机距离的MIL算法与图像检索 44

3.5.1 自适应推土机距离 44

3.5.2 AEMD-CkNN算法步骤 45

3.5.3 图像检索试验结果与分析 46

3.6 基于区域权值调整推土机距离的MIL算法与图像分类 48

3.6.1 区域权值调整推土机距离 48

3.6.2 EMD-CkNN算法步骤 50

3.6.3 图像分类试验结果与分析 50

3.7 本章小结 53

参考文献 53

第4章 基于FSVM-MIL算法的对象图像检索 55

4.1 引言 55

4.2 基于模糊支持向量机的多示例学习算法 55

4.2.1 模糊支持向量机 56

4.2.2 模糊隶属度函数 57

4.2.3 FSVM-MIL算法步骤 58

4.3 试验结果与分析 59

4.3.1 试验方法 59

4.3.2 试验结果与效率分析 60

4.4 本章小结 61

参考文献 62

第5章 基于QPSO-MIL算法的图像标注 63

5.1 引言 63

5.2 基于区域的图像标注 64

5.3 图像标注问题的数学描述 65

5.4 图像标注与多示例学习 65

5.5 QPSO-MIL算法及步骤 67

5.5.1 量子粒子群优化算法 67

5.5.2 适应度函数设计 67

5.5.3 QPSO-MIL算法步骤 68

5.6 试验结果与分析 69

5.6.1 试验图像库 69

5.6.2 试验方法 69

5.6.3 试验结果与分析 70

5.6.4 算法效率分析 72

5.7 本章小结 72

参考文献 72

第6章 基于视觉空间投影的多示例学习算法与图像检索 75

6.1 引言 75

6.2 现有工作与不足 77

6.3 RSTSVM-MIL算法 77

6.3.1 视觉投影空间构造 77

6.3.2 视觉投影特征计算 79

6.3.3 RSTSVM-MIL算法步骤 79

6.4 试验结果与分析 82

6.4.1 图像库及试验方法 82

6.4.2 算法性能与K的关系 82

6.4.3 对比试验及分析 83

6.5 本章小结 85

参考文献 86

第7章 基于模糊潜在语义分析的多示例学习算法与图像分类 88

7.1 引言 88

7.2 FLSA-SSMIL算法 89

7.2.1 建立视觉词汇表 89

7.2.2 构造模糊“词-文档”矩阵 90

7.2.3 模糊潜在语义特征 92

7.2.4 FLSA-SSMIL算法步骤 93

7.3 试验结果与分析 94

7.3.1 药物活性预测 94

7.3.2 图像分类试验 95

7.3.3 算法效率 99

7.4 本章小结 99

参考文献 99

第8章 基于多示例学习的目标跟踪算法 102

8.1 引言 102

8.2 基于外观模型的跟踪算法 103

8.2.1 概述 103

8.2.2 分类 104

8.2.3 数据库 109

8.2.4 评价标准 110

8.3 基于多示例学习的跟踪算法原理 110

8.3.1 算法框架 111

8.3.2 在线多示例学习分类器 112

8.3.3 弱分类器构造 113

8.4 基于混合高斯模型和多示例学习的跟踪算法 113

8.4.1 算法概述 114

8.4.2 包中示例特征建模 115

8.4.3 训练弱分类器 116

8.4.4 构造强分类器 117

8.4.5 试验 117

8.5 本章小结 122

参考文献 122

第9章 基于多示例集成学习的色情图像识别 126

9.1 研究现状及趋势 126

9.1.1 色情图像识别研究现状 126

9.1.2 色情图像识别技术发展趋势 127

9.2 基于SSP多示例建模 129

9.2.1 多示例建模 129

9.2.2 基于稀疏编码的“元数据”提取 133

9.3 基于极限学习机的集成多示例学习算法 135

9.3.1 基于极限学习机的基分类器 135

9.3.2 ELMCE-MIL算法及步骤 136

9.4 试验结果与分析 137

9.4.1 实验图像与方法 137

9.4.2 多示例建模方法对比试验 138

9.4.3 试验结果与分析 138

9.5 本章小结 140

参考文献 141

第10章 多示例框架下的刑侦图像检索及实现 144

10.1 引言 144

10.2 基于多示例学习的刑侦图像检索 146

10.2.1 有重叠网格分块方法 146

10.2.2 分块视觉特征提取 146

10.2.3 基于推土机距离的多示例包相似度量 149

10.2.4 算法流程 150

10.3 MATLAB仿真程序 150

10.3.1 基于网格分块构造多示例包 150

10.3.2 相似检索MATLAB程序 157

10.3.3 使用方法 159

10.4 试验结果与分析 159

10.5 本章小结 162

参考文献 162

第11章 基于MIL的红外图像人脸识别及实现 165

11.1 引言 165

11.2 SIFT算法原理及描述子 166

11.2.1 关键点检测 166

11.2.2 关键点描述 170

11.3 基于MIL的红外人脸识别算法 172

11.3.1 MIL建模 173

11.3.2 LSA-MIL算法原理 173

11.4 MATLAB仿真程序 178

11.4.1 构造多示例包 178

11.4.2 计算潜在语义特征 179

11.4.3 训练与识别 183

11.4.4 使用方法 185

11.5 试验结果与分析 186

11.5.1 人脸库与试验方法 186

11.5.2 对比试验及分析 187

11.6 本章小结 188

参考文献 188

第12章 基于MIL的图像分类算法及实现 190

12.1 引言 190

12.2 基于MIL的图像分类算法原理 191

12.2.1 基于图像分割构造多示例包 191

12.2.2 计算多示例包的投影特征 194

12.2.3 投影特征分析 195

12.2.4 有监督学习求解MIL问题 197

12.3 MATLAB仿真程序 198

12.3.1 构造多示例包MATLAB程序 199

12.3.2 投影特征计算MATLAB程序 203

12.3.3 支持向量机训练与预测MATLAB程序 205

12.3.4 使用方法 210

12.4 试验方法与结果 212

12.4.1 试验图像库 212

12.4.2 试验结果 212

12.5 本章小结 215

参考文献 216

第13章 总结与展望 218

13.1 工作总结 218

13.2 进一步研究与展望 219