基于主动学习的多标签多示例SVM分类器.pptVIP

研究背景 多示例学习算法的不足 解决了视觉数据歧义性问题，但局限于单语义概念学习上。多示例学习简单地把标注任务分解为独立地单概念标注，然后独一完成，忽略了标签的联系。（标签与标签具有模糊性） MIML学习 instance3 tree elephant lion Image Features Representation label instance2 instance4 instance1 instance5 MIML学习 在MIML学习框架下，一个对象被表示为多个示例组成的包，并且关联多个标签； 真实世界的对象更容易采用多示例多标签学习框架来建模； 传统的监督学习、多示例学习以及多标签学习都可以看作是多示例多标签学习的特例。 MIML学习 MIML学习的退化策略 Solution A:MIML→MISL→SISL(e.g.:MIMLBOOST) Solution B:MIML→SIML→SISL(e.g.:MIMLSVM) MIMLSVM算法 在MIMLSVM算法 中，先对训练数据包 进行聚类，将训练数 据包聚类成指定的K 部分，确定相应聚类 中心包，这样可求出 所有数据包与这些中 心包的距离，作为包的 特征，变成k维的实数 矩阵，转化为SIML MIML应用 退化策略 最大分类间隔的MIML算法 RBF神经网络MIML算法 Makov的MIML算法 示例包的生成（主要为图像） 基于像素块的包生成(e.g.:SBN) 基于SOM分割的包生成(e.g.:ImaBag) 词袋模型+TF-IDF . . . . . . MIML应用 MIML应用 文本分类 图像检索、标注 视频标注 参考文献 [1]周志华,张敏灵.MIML多示例多标签学习. [2]Zhou Zhi-hua, Zhang Min-ling, Huang Sheng-jun. Multi-instance multi-label learning[J]. [3] Zhou Zhi-hua, Zhang Min-ling. Multi-instance multi-label learning with application to scene classification[C]. [4]黄双萍.通用视觉目标识别的关键技术[D]. 多示例多标签学习Multi-Instance Multi-Label Learning(MIML) 报告人：李杰龙 报告主要内容 研究背景 多示例多标签学习(MIML) MIML相关的研究 研究背景 “在利用机器学习技术解决实际问题时，常见的做法是先对真实对象进行特征提取，用一个特征向量来描述这个对象，这样就得到了一个示例(instance)，然后把示例与该对象所对应的类别标记(label)关联起来，就得到了一个例子(example)”——周志华：《多示例多标记学习》 研究背景 instance elephant Image Features Representation label 传统的监督学习 研究背景 除elephant外，图片的其他信息是否可忽略？ ■多标签学习 ■多示例学习 多标签学习 instance elephant tree lion Image Features Representation label 研究背景 多标签学习算法的不足 一幅图像通过提取全局特征表示视觉数据，但视觉数据具有歧义性，一幅图像包含若干不同区域，各个区域对应不同的语义，各个标注实际上对应的是图像当中的部分区域而不是全局关系。使用一个全局特征是很难表示图像的全部语义。（示例与标签之间具有模糊性） 多示例学习 instance3 elephant Image Features Representation label instance2 instance4 instance1 instance5