基于稀疏编码和分类器集成的多实例学习图像分类

Multi-instance learning; Image categorization;

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。具体而言，从所有训练包的实例中学习字典。包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。其次，将分类器集合的结果用于预测。与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

文件下载

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

基于稀疏编码和分类器集成的多实例学习图像分类

文件下载

评论信息

其他资源

免责申明

个人信息

相关资源标签

热门下载

最新下载