通信学报 ›› 2014, Vol. 35 ›› Issue (1): 107-114.doi: 10.3969/j.issn.1000-436x.2014.01.013

• 学术论文 • 上一篇    下一篇

最小差异采样的主动学习图像分类方法

吴健1,盛胜利2,赵朋朋1,崔志明1   

  1. 1 苏州大学 智能信息处理及应用研究所,江苏 苏州 215006
    2 美国阿肯色中央大学 计算机科学系,阿肯色州 康威 72035-0001
  • 出版日期:2014-01-25 发布日期:2017-06-17
  • 基金资助:
    国家自然科学基金资助项目;国家自然科学基金资助项目;江苏省科技支撑计划基金资助项目;江苏省高校自然科学研究基金资助项目

Minimal difference sampling for active learning image classification

Jian WU1,Sheng-li SHENG2,Peng-peng ZHAO1,Zhi-ming CUI1   

  1. 1 Institute of Intelligent Information Processing and Application,Soochow University,Suzhou 215006,China
    2 Department of Computer Science,University of Central Arkansas,Conway 72035-0001,USA
  • Online:2014-01-25 Published:2017-06-17
  • Supported by:
    The National Natural Science Foundation of China;The National Natural Science Foundation of China;Jiangsu Province Colleges and Universities Natural Science Research Project

摘要:

针对委员会成员模型投票不一致性的度量问题,提出了一种基于最小差异采样的主动学习图像分类方法。该方法首先基于标注样本集的重采样结果构建决策委员会,然后利用投票概率较高的2个类别的概率值的差异来度量未标注样本集每个样本的投票不一致性,选择概率差异最小的样本交由人工专家标注,如此迭代更新分类器。将新方法与EQB算法及nEQB算法在多个数据集上进行实验对比,实验结果表明所提方法能够有效提高分类的准确率。还对组成决策委员会的成员模型的数目设置进行了分析和讨论,结果表明在相同的成员模型数目时所提方法比nEQB算法更为有效。

关键词: 图像分类, 主动学习, 采样策略, 委员会投票, 最小差异

Key words: image classification, active learning, sampling strategy, committee voting, minimal difference

No Suggested Reading articles found!