摘要:将支持向量数据描述方法引入到多示例学习中,提出了三种基于SVDD的多示例学习方法:基于包分类和示例分类的SVDD多示例学习方法MI—SVDD和mi-SVDD,以及基于正示例预测的SVDD多示例学习方法SVDD-MILD—I.在MUSK数据集上的实验结果表明,MI—SVDD方法和mi—SVDD方法的精度与MI-SVM方法和mi-SVM的总体相当,SVDD-MILD—I方法的精度比较高,超过了我们已知的目前已发表的最好结果;对COREL图像库进行基于内容的图像检索的实验表明,SVDD-MILD—I方法的精度较高,并且比较好地区分了容易混淆的Beach类图像与Mountains类图像.
关键词:机器学习 模式分类 多示例学习 支持向量数据描述
单位:杭州电子科技大学图形图像研究所; 浙江杭州310018; 浙江工业大学计算机科学与技术学院; 浙江杭州310023
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社