图像语义分析算法与实现 基于多示例学习2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

图像语义分析算法与实现 基于多示例学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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