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。

Viewport-Aware Dynamic 360-Degree Video Segment Categorization阅读报告

Yelp_Review_Categorization ## Url： ://avinav.science:4000/将Yelp文本评论分类为评分（这是在Google DevFest Buffalo 2015中完成的（24小时），从构思到在AWS中部署） 我们试图了解Yelp企业评论中的情绪和各种主题。 我们建议，这些数据是业务各个方面的反馈等级，将极大地帮助他们了解客户的React。 我们为餐厅提供简单的评分，0至5星，分为四个类别：“食物”，“服务”，“物有所值”和“氛围”。 该数据集由Yelp作为其公开提供。 我们是如何做到的？ -自然语言处理我们通过基于WordNet同义词集的语义相似性，从每条评论中提取每个句子并将其归为一类。 然后，我们计算句子的情感极性。 我们对评论中的每个句子都有（类别，情感极性）对，这些对合在一起（每个句子，每个评论）以给出总体类别评分。 我们还尝

文本分类的经典英文论文收集，Text Categorisation-A survey

Text Categorization (TC) is a task of classifying a set of documents into one or more predefined categories. Centroid-based method, a very popular TC method, aims to make classifiers simple and efficient by constructing one prototype vector for each class. It classifies a document into the class that owns the prototype vector nearest to the document. Many studies have been done on constructing prototype vectors. However, the basic philosophies of these methods are quite different from each other