کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948610 1439619 2016 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-view semi-supervised learning for image classification
ترجمه فارسی عنوان
یادگیری نیمی از نظارت چندرسانهای برای طبقه بندی تصویر
کلمات کلیدی
یادگیری نیمه نظارتی چندرسانه ای، حداکثر آنتروپی، ترکیب چندین نمایش، طبقه بندی عکس،
ترجمه چکیده
با رشد عظیم داده های تصویر دیجیتالی که از طریق اینترنت آپلود می شوند، طبقه بندی هر تصویر به رده معنایی مناسب با توجه به محتوای تصویر آن برای نمایه تصویر و بازیابی تصویر به یک کار فزاینده و دشوار تبدیل شده است. برای مقابله با این موضوع، یک چارچوب یادگیری نیمه نظارت چندبعدی جدید ارائه می دهیم که اطلاعاتی را که در تصاویر شبه برچسب گذاری شده وجود دارد، به منظور بهبود عملکرد پیش بینی شده از طبقه بندی تصویر با استفاده از چندین نمای تصویر. در فرآیند آموزش، تصاویر علامت دار ابتدا برای تعیین طبقه بندی ویژگی های ویژه به طور مستقل با استفاده از مشاهدات غیرمجاز و کافی، مورد استفاده قرار می گیرند و سپس هر طبقه بندی ویژه، با توجه به معیار اعتماد با استفاده از نمونه های ذکر شده اولیه و شبه- برچسب های برچسب شده در فرایند طبقه بندی، حداکثر اصل آنتروپی برای تعیین برچسب های طبقه بندی مناسب برای تصاویر بدون برچسب از طریق طبقه بندی های ویژه نمایش داده شده بهینه آموزش داده می شود. نتایج تجربی در یک پایگاه داده تصویری عمومی نشان دهنده اثربخشی و کارایی طرح طبقه بندی تصویر نیمه نظارت چندمتغیره پیشنهاد شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یادگیری نیمی از نظارت چندرسانهای برای طبقه بندی تصویر
چکیده انگلیسی
With the massive growth of digital image data uploaded to the Internet, classifying each image into appropriate semantic category with respect to its image content for image index and image retrieval has become an increasingly difficult and laborious task. To deal with this issue, we propose a novel multi-view semi-supervised learning framework which leverages the information contained in pseudo-labeled images to improve the prediction performance of image classification using multiple views of an image. In the training process, labeled images are first adopted to train view-specific classifiers independently using uncorrelated and sufficient views, and each view-specific classifier is then iteratively re-trained with respect to a measure of confidence using initial labeled samples and additional pseudo-labeled samples. In the classification process, the maximum entropy principle is utilized to assign appropriate category labels to unlabeled images via optimally trained view-specific classifiers. Experimental results on a general-purpose image database demonstrate the effectiveness and efficiency of the proposed multi-view semi-supervised image classification scheme.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 208, 5 October 2016, Pages 136-142
نویسندگان
, , ,