國內最好的論文代寫網,論文發表網--原創論文代寫網。 代寫論文QQ: 4000123242

代寫論文

代寫論文三重保障: 質量保證 時間保證 安全保證  代寫QQ:4000123242  服務電話:1818-1919-655

論文搜索 熱門搜索:java 職場 傳感器 家具 車險
產業 

多示例學習在計算機視覺中的應用研究

日期:09-23 來源:蜘蛛抓取 點擊次數: 提醒:需要原創論文請聯系客服
特別提示:網站上的論文收集于互聯網,可能不完整,非原創。需要原創,高品質,包通過的論文請趕緊聯系客服進行原創定制。

認證QQ:4000123242   服務電話:18181919655(微信同號)   徐老師:2852358635   程老師:56223941   更多老師>>>

本文是一篇計算機論文,計算機科學與技術是研究計算機的設計與制造,并利用計算機進行有關的信息表示、收發、存儲、處理、控制等的理論方法和技術的學科。(以上內容來自百度百科)今天為大家推薦一篇計算機論文,供大家參考。   第一章 緒 論   1.1 研究工作的背景與意義 隨著互聯網時代的全面到來,每時每刻都有海量的數據上傳到網絡。特別地,由于近年來移動設備的快速發展,進一步地促成了圖像、視頻數據的大量增長。根據統計【論文論文就找123yC.cOm原創論文網,QQ:562.239.41】,在 2016 年的第二季度,優酷土豆(公司)月覆蓋用戶 3.3 億,同類型的愛奇藝也達到 2.7 億的用戶覆蓋量;短視頻綜合平臺秒拍日均上傳視頻量 150 萬,日均播放量達 17 億次,全網日活躍用戶 6000 萬;微信以及 QQ 的用戶通過微信朋友圈和 QQ 空間日上傳圖片高達 10 億張。面對圖像、視頻數據的迅猛增長,用戶對圖像、視頻相關服務的需求也越來越高。在安全、教育、文化、醫療等許多領域,高效的視覺信息檢索、分類以及標注等等技術受到了人們的熱切關注:在醫學領域,醫院每天都會產生大量的包含病人生理、病理和解剖學習的醫學圖像,這些圖像是醫生進行臨床診斷等醫療醫學行為的重要依據。基于內容的醫學圖像處理技術從醫學的角度對圖像的紋理、形狀等屬性進行了分析,能夠為醫生提供可靠的診斷依據。在公共安全中,城市街道、機場、車站等公共場所利用監控攝像頭來實時監控。基于內容的標注、識別能夠有效地利用視頻圖像,在犯罪前期預警、犯罪后期追蹤中,對犯罪行為、犯罪對象進行分析,給予犯罪預防、犯罪偵破有效的支持。在教育領域,網絡課堂、教學視頻給予學生更充分地輔導。通過分析視頻內容,進行有效地篩選、標注,再結合用戶特征給出更具針對性地推送。用戶亦可作為數據的提供端,上傳圖片進行題目檢索,更快速地獲得所需信息。機器學習被廣泛用于處理計算機視覺問題,其中多示例學習(Multi-InstanceLearning, MIL)就被用于場景分類、圖像標注以及檢索等等工作。多示例學習的目的是通過對訓練集的學習,構建出能對測試集中的數據進行正確判斷的分類器或評估器。不同于監督學習(supervisedlearning)將一個對象(object)表示為一個帶有標簽(label)的示例(instance),多示例學習將訓練樣本分為若干個包(bag),每個包由多個示例組成,包具有標記而示例本身則沒有標記。在處理多示例學習問題時,有一個廣泛認可的假設(被稱為多示例學習標準假設):正包中至少存在一個正示例,而負包中不會包含任何正示例。同時相比于無監督學習(unsupervisedlearning)中訓練集完全沒有標簽,多示例學習也是不同的。 ........   1.2 多示例學習在計算機視覺領域應用的國內外研究歷史與現狀 多示例學習是一個特殊的分類問題,首先是被引入用于解決藥物活性預測問題[17]。 不久之后,研究人員擴展多示例學習以解決諸如場景分類、圖像注釋、識別和檢索等問題[29,37,55,59]。 對于標準多示例學習模型,輸入數據是一組由多個示例組成的包。與傳統的分類問題不同,只有包級的標簽被給出,示例級的標簽是未知的。為了描述示例級標簽和包級標簽之間的關系,相關工作提出了一個廣泛認可的標準假設,即負包中的每個示例都是負示例,而正包則至少含有一個正示例。最初的分類預測都是給出了包級別的預測,之后示例級的多示例學習也引起了研究人員的關注。具體而言,對于示例級的多示例學習問題,如何發現正示例是非常重要的。例如,一個直接的推理策略是將每個正包中的示例都看作是正示例,再進行后續的訓練算法。許多示例級的多示例學習算法利用了特征空間的結構信息,進行示例推理來訓練或者生成最終結果。對于特征結果信息的高效使用,將對算法效果有巨大的改進。為了解決這個問題,我們采用聚類的策略來獲得特征空間中示例的隱藏分布信息,原因如下:1.示例級標簽是未知的,而聚類方法作為經典的非監督學習算法能夠很好地處理未標記的數據;2.同一聚類簇中的示例是互相相似的,即這些示例的相似關系具有一致性;3.聚類后,后續處理可以同時在每個組上執行,因此可以實現并行化以降低時間成本。此外,盡管許多多示例學習模型已經被提出,并取得了不錯的表現,但只有其中少數模型采用多視圖特征來提高效率。對于圖像分類和注釋等任務,特征的表示會對算法最終性能產生強烈的影響,并且有許多類型的特征被設計出來處理各種計算機視覺相關的任務。在現實情況中,一個對象通常可以由多種類型的特征來描述。例如,通過智能手機拍攝的短視頻,再配上地理信息和文本標簽,上傳到社交網絡中。對應于各種生成方法或來源,這些特征具有不同的信息,并且這些信息可以是互補的,但也可能是冗余的。因此,多視圖學習旨在充分利用數據的同時減輕冗余。 ............   第二章 相關研究工作   本章將介紹本工作中涉及技術的相關研究。2.1 節首先分別回顧了圖像分類、檢索問題以及相關技術;2.2 節介紹了視頻異常事件檢測問題的定義和概況,總結了視頻異常事件檢測所使用的技術以及存在的問題;2.3 節介紹了多示例學習發展過程中出現的代表性算法。   2.1 圖像分類與檢索   2.1.1 圖像分類問題 在本小節中,我們將介紹圖像分類問題,它是從一組固定的類別中為輸入圖像分配一個標簽的任務。這是計算機視覺中的核心問題之一,盡管它很簡單,但卻有各種各樣的實際應用。事實上,許多其他看似不同的計算機視覺任務(如物體檢測,圖片分割)都可以簡化為圖像分類。目前圖片分類問題存在的挑戰有:1. 視角變化。同一個對象會因為拍攝角度不同而可能在圖像中表現出不同的視覺特性。2. 尺寸變化。同一個對象會因為觀測者與之不同的距離而影響圖像中的大小。3. 變形。 許多物體并不是剛體,可能會以極端的方式變形。另外對于圖像的各種變形操作也會使得其中的物體變形。4. 遮擋。感興趣的對象在圖像中可能會被遮擋,有時甚至只有一小部分對象(只有少數像素)可見。5. 照明條件。照明對像素的影響非常劇烈。6. 背景雜亂。感興趣的物體可能混入其背景之中,使其難以識別。7. 類別中的差異性。關注的類別可能是一個比較寬泛概念,如椅子。這些對象有許多不同的類型,而每種都有自己獨特的外觀。 ........   2.2 異常事件檢測   2.2.1 視頻異常事件檢測問題 異常事件檢測旨在檢測特定場景下的異常情況,在衛生監測、公安和行人監測中得到廣泛應用。雖然過去幾年研究人員在這方面做了大量的研究[31-35,38],但問題仍然存在。異常事件檢測問題依然具有挑戰性,主要有三個原因:第一,缺乏異常事件的基準數據。現有的異常事件檢測數據集很少對異常樣本進行標注,特別是異常事件的位置,需要進行像素級的判定。所以由于缺乏數據,很難對異常事件采用監督學習算法。 第二個原因是缺乏明確和客觀的異常事件定義。例如火車站的監控視頻,人群四散逃跑應該被認作是異常事件,但是很難區別因趕時間而小跑的旅客。另外,前兩個問題是相互關聯的,因為主觀地定義異常事件性使得收集異常事件基準數據更加困難。第三,相對于正常情況,有太多的事件都可以被定為異常事件。對于一個街道監控視頻,正常情況就是行人行走,但是異常情況的出現就有太多的可能了:有交通工具駛上了人行道,行人摔倒在地等等。所以很難像正常情況那樣,針對異常事件訓練一個普適的模式。 .........   第三章 多示例學習在圖像分類與檢索中的研究.......... 16 3.1 問題的定義 .............. 16 3.2 提出的方法 .............. 16 3.3 實驗 .... 23 3.3.1 數據集、特征以及評級標準 ......... 23 3.3.2 參數選擇 ........ 24 3.3.3 性能分析 ........ 25 3.4 本章小結 ....... 30 第四章 多示例學習在視頻異常事件檢測中的研究...... 31 4.1 問題定義 ....... 31 4.2 提出的方法 .... 31 4.2.1 基于圖的多示例學習 .......... 33 4.2.2 錨點字典學習 ........... 35 4.3 實驗 .... 37 4.3.1 數據集、特征以及評級標準 ......... 37 4.3.2 參數選擇 ........ 39 4.3.3 性能分析 ........ 39 4.4 本章小結 ....... 44 第五章 全文總結與展望...... 45 5.1 全文總結 ....... 45 5.2 后續工作展望 .......... 46   第四章 多示例學習在視頻異常事件檢測中的研究代寫論文QQ:56223941  4.1 問題定義 針對 2.2 節中提出的現有異常檢測算法所存在的問題,本文給出了相應的解決辦法。首先針對缺乏異常事件的基準數據,我們采用多示例學習模型,從而使得我們算法僅僅使用視頻的標簽,而不用幀的標簽;然后針對包含異常事件的數據,我們從兩個方面來使用他們,第一是經過示例選擇,把其中一部分示例作為多示例分類器的正訓練樣本,訓練出一個粗分類器,該分類器功能即是快速判斷是否和正樣例相似,另一方面,我們同樣是采用的字典學習來學出正常事件的模板,但是將選出的正示例用于改進字典學習的效果;針對字典學習算法耗時較大的問題,我們采用了雙層檢測的策略,首先用多示例分類器快速地進行檢測,如果是異常的,則用學習到的字典進行更加精細地評分。
...........   總結   本文將圖像分類與檢索和視頻異常事件檢測作為兩個任務,研究了多示例學習在計算機視覺領域的應用。根據不同的任務,我們提出了兩個相應的多示例學習模型,CMIL 與 AL,通過實驗證明了兩個算法具有優秀的性能,說明了多示例學習在計算機視覺領域有非常好的應用價值,全文主要內容如下: 1. 本文首先回顧了多示例學習在計算機視覺領域的應用情況,提出了存在的幾個挑戰,并給出了對應解決策略。 2. 針對圖像分類與檢索任務,我們首先將任務轉換多示例學習問題,再建立基于示例選擇的多示例學習模型。為了改進示例選擇,我們采用了聚類的策略來充分利用特征空間的結構信息。通過利用[代寫論文就找123Yc.coM原創論文網,QQ:56.223.941]隱含的結構信息對正包中的示例進行聚類,在對后續操作進行剪枝的同時保持了結構信息。通過與對比算法的比較,證明聚類策略顯著地減少了時間開銷。 3. 為了量化示例之間的關系,我們構建了相似性關系圖,通過相似性、差異性和一致性這三個方面來考察示例之間的關系,并以此為依據進行了示例推理。根據實驗結果的分析,該算法有較好的魯棒性。 4. 在處理圖像檢索時,我們進一步將多示例學習模型拓展至多視圖特征空間,通過多視圖聚類算法,以及聯合建立相似性關系圖,使得示例選擇能夠基于多視圖的信息完成。在訓練階段我們采用了 MK-SVM 作為分類器來利用多視圖特征。實驗結果表明,多視圖特征的引入對算法效果有很顯著的提升。 5. 建立示例的關系圖,特別是涉及較大數據集時,會消耗大量的運行時間;但經過聚類處理后,每個簇都是相對獨立的。所以針對這個特點,我們在實現算法時采用了并行化處理,大幅減少了運行時間,使得算法具有處理大規模數據的能力。 .......... 參考文獻(略)代寫論文QQ:56223941

關鍵詞:示例 視覺 計算機

 1/2    1 2 下一頁 尾頁

版塊搜索

論文服務咨詢
企業:4000123242
企業:2852358635
程老師:56223941
售前郵箱:a@hhlw.com
電話:18181919-655
業務合作咨詢
投訴建議
澳门葡京网上娱乐_澳门葡京网投注册_澳门葡京网投网址