基于A-ELM的移动视觉搜索方法

doi:10.11959/j.issn.1000-0801.2016088

电信科学 ›› 2016, Vol. 32 ›› Issue (4): 92-102.doi: 10.11959/j.issn.1000-0801.2016088

基于A-ELM的移动视觉搜索方法

胡海洋^1,²,许军^1,²,胡华^1,²

¹ 杭州电子科技大学计算机学院，浙江杭州 310018
² 杭州电子科技大学复杂系统建模与仿真教育部重点实验室，浙江杭州 310018

出版日期:2016-04-20 发布日期:2016-04-28
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;南京大学计算机软件新技术国家重点实验室开放基金资助项目;浙江省哲学社会科学重点研究基地（信息化与经济社会发展研究中心）课题资助项目

Mobile visual searching method based on ascending extreme learning machine

Haiyang HU^1,²,Jun XU^1,²,Hua HU^1,²

¹ School of Computer Science and Technology，Hangzhou Dianzi University，Hangzhou 310018，China
² Key Laboratory of Complex Systems Modeling and Simulation，Ministry of Education，Hangzhou Dianzi University，Hangzhou 310018，China

Online:2016-04-20 Published:2016-04-28
Supported by:
The National Natural Science Foundation of China;The National Natural Science Foundation of China;The Foundation of State Key Laboratory for Novel Software Technology of Nanjing University;The Foundation of Key Research Base for Philosophy and Social Sciences of Zhejiang Province（Research Center of Information Technology ＆ Economic and Social Development）

摘要/Abstract

摘要：

计算机智能技术在图像领域已经得到广泛的应用。极限学习机（ELM）作为一种新兴技术，克服了其他传统智能技术所面临的一些问题，吸引了越来越多研究人员的关注。首先对ELM算法的性能进行了分析验证，并将其延伸到图像分类搜索上。在此基础上，提出了基本视觉搜索（BMVS）框架，将ELM运用到此框架服务器端，并进一步优化了ELM的分类性能。最后实验证明ELM在移动视觉搜索方面的可行性，并通过和支持向量机（SVM）的实验对比验证相关方法的高效性。

关键词: 分类, 极限学习机, 移动视觉搜索

Abstract:

Computer intelligence technology had been widely used in the field of image searching. Extreme learning machine has emerged as a new technology which overcomes the problems in traditional intelligent field and it has attracted more and more researchers. The algorithm performance of ELM was analyzed firstly，extending the method to image classification field. A basic mobile visual searching（BMVS）framework was proposed which applies ELM to image searching and optimizes the performance of ELM. Finally，the experiment proves the effectiveness of the method proposed by using ELM for the mobile vision searching. Through the experiments of comparison with SVM-based methods，the efficiency of the method proposed was also confirmed.

Key words: classification, extreme learning machine, mobile visual searching

胡海洋,许军,胡华. 基于A-ELM的移动视觉搜索方法[J]. 电信科学, 2016, 32(4): 92-102.

Haiyang HU,Jun XU,Hua HU. Mobile visual searching method based on ascending extreme learning machine[J]. Telecommunications Science, 2016, 32(4): 92-102.

图/表 17

图1

图2

图3

图4

图5

图6

图7

图8

图9

表1

表2

图10

图11

图12

表3

图13

图14

参考文献 17

[1]	段凌宇，黄铁军，高文 . 移动视觉搜索技术研究与标准化进展[J]. 信息通信技术， 2012（6）：51-58. DUAN L Y ， HUANG T J ， GAO W . Technical research and standardization in mobile visual search[J]. Information and Communications Technologies， 2012（6）：51-58
[2]	李向阳，庄越挺，潘云鹤 . 基于内容的图像检索技术与系统[J]. 计算机研究与发展， 2001（3），38（3）：344-354. LI X Y ， ZHUANG Y T ， PAN Y H . The technique and systems of content-based image retrieval[J]. Journal of Computer Research and Development， 2001，（3），38（3）：344-354.
[3]	GURNEY K . An introduction to neural networks[M]. London： UCL Press， 1997：20-25.
[4]	HSU C W ， LIN C J . A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks， 2002，13（2）：415-425.
[5]	HHUANG G B ， SIEW C K . Extreme learning machine：RBF network case[C]// 2004 8th Conference on Control，Automation，Robotics and Vision Conference，December 6-9，2004，Kumming，China， New Jersey： IEEE Press， 2004（2）：1029-1036.
[6]	HUANG G B ， CHEN L . Convex incremental extreme learning machine[J]. Neuro Computing， 2007（70）：2056-2062.
[7]	HUANG G B ， BABRI H A . Upper bounds on the number of hidden neurons in feedforward networks with arbitrary bounded nonlinear activation functions[J]. IEEE Transactions on Neural Networks， 1998，9（1）：224-229.
[8]	FUNG G ， MANGASARIAN O L . Proximal support vector machine classifiers[C]// The 7th ACM Sigkdd International Conference on Knowledge Discovery ＆ Data Mining，August 26-29，2001，San Francisco，CA，USA， New York： ACM Press， 2001：77-86.
[9]	HUANG G B ， WANG D H ， LAN Y . Extreme learning machines：a survey[J]. International Journal of Machine Learning and Cybernetics， 2011，2（2）：107-122.
[10]	HUANG G B ， ZHU Q Y ， SIEW C K . Extreme learning machine：a new learning scheme of feedforward neural networks[J]. IEEE International Joint Conference， 2004（2）：985-990.
[11]	HUANG G B ， ZHU Q Y ， SIEW C K . Extreme learning machine：theory and applications[J]. Neuro Computing， 2005（70）：489-501.
[12]	HUANG G B ， ZHOU H ， DING X ， et al. Extreme learning machine for regression and multi-class classification[J]. IEEE Transactions on Pattern Anal Mach Intell， 2012，42（2）：513-529.
[13]	HUANG G B ， CHEN L ， SIEW C K . Universal approximation using incremental constructive feedforward networks with random hidden nodes[J]. IEEE Transactions on Neural Networks， 2006，17（4）：879-892.
[14]	HUANG G B ， SIEW C K . Extreme learning machine with randomly assigned RBF kernels[J]. International Journal of Information Technology， 2005，11（1）：16-24.
[15]	HALL M A ， SMITH L A . Feature selection for machine learning：Comparing a correlation-based filter approach to the wrapper[C]// The 20th International Florida Artificial Intelligence Research Society Conference，May 1-5，1999，Orlando，Florida，USA， California： AAAI Press， 1999：235-239.
[16]	PRICE A L ， PATTERSON N J ， PLENGE R M ， et al. Principal components analysis corrects for stratification in genome-wide association studies[J]. Nature Genetics， 2006，38（8）：904-909.
[17]	HOLTEN D ， WIJK V J J ， MARTENS J B . A perceptually based spectral model for isotropic textures[J]. ACM Transactions on Applied Perception， 2006，3（4）：376-398.

测试正确率	1	2	3	4	5	平均值
ELM	86.667%	90.0%	86.667%	83.333%	86.667%	86.667%
SVM	80.0%	80.0%	80.0%	80.0%	80.0%	80.0%

对比项	ELM	SVM
训练样本平均正确率Accuracy	97.28%	85.72%
测试样本平均正确率Accuracy	86.667%	80%
分类器训练时间/s	0.574 4	1.667 3
分类器测试时间/s	1.294 035	1.540 635

对比项	ELM	A-ELM
测试准确度（是/否）	是	是
测试所花费时间/s：	0.563 23	6.230 265
手动调节L次数	11	0

基于A-ELM的移动视觉搜索方法

Mobile visual searching method based on ascending extreme learning machine

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 17

相关文章 15

Metrics

推荐阅读 0

[1]	韩璐, 陈威宇, 张斐, 何建锋, 苏怀振. 差异化需求下的非关系型分布式报送信息大数据分类方法[J]. 电信科学, 2023, 39(6): 114-121.
[2]	宋勇, 严志伟, 秦玉坤, 赵东明, 叶晓舟, 柴园园, 欧阳晔. 基于矩阵分解和注意力多任务学习的客服投诉工单分类[J]. 电信科学, 2022, 38(2): 103-110.
[3]	赵进, 杨小军. 基于GRW和FastText模型的电信用户投诉文本分类应用[J]. 电信科学, 2021, 37(6): 125-131.
[4]	粟栗, 陆黎, 张星, 刘畅. 基于图数据库的5G数据流转安全防护机制[J]. 电信科学, 2021, 37(4): 28-36.
[5]	顾玥, 李丹, 高凯辉. 基于机器学习和深度学习的网络流量分类研究[J]. 电信科学, 2021, 37(3): 105-113.
[6]	张亮, 代晓菊, 郑荣, 贺同泽. 多模型融合的客服工单文本分类方法的研究与实现[J]. 电信科学, 2021, 37(11): 86-96.
[7]	何睿斯, 艾渤, 钟章队, 杨汨, 黄晨, 马张枫, 孙桂琪, 米航, 周承毅, 陈瑞凤. 5G城市轨道交通场景分类及信道建模[J]. 电信科学, 2021, 37(10): 102-116.
[8]	张婷婷,章坚武,郭春生,陈华华,周迪,王延松,徐爱华. 基于深度学习的图像目标检测算法综述[J]. 电信科学, 2020, 36(7): 92-106.
[9]	盛剑涛,陈茂飞,刘东鑫,汪来富,史国水,金华敏. 基于组合分类器的恶意域名检测技术[J]. 电信科学, 2020, 36(5): 47-55.
[10]	刘芳,王亚娟,赖峥嵘,刘元安. 全双工无线通信系统的智能安全中继选择策略[J]. 电信科学, 2020, 36(10): 79-86.
[11]	张溶芳,许丹丹,王元光,潘思宇,李正茂. 机器学习在物联网虚假用户识别中的运用[J]. 电信科学, 2019, 35(7): 136-144.
[12]	朱琳,赵娟,王伊婷,冯俊兰,邓超. 移动通信网络投诉热点问题智能预警方法[J]. 电信科学, 2019, 35(5): 17-24.
[13]	宋鹏峰,叶庆卫,陆志华,周宇. 基于拟合型弱分类器的AdaBoost算法[J]. 电信科学, 2019, 35(11): 27-35.
[14]	苏赋,吕沁,罗仁泽. 基于深度学习的图像分类研究综述[J]. 电信科学, 2019, 35(11): 58-74.
[15]	陈铁明, 项彬彬, 吕明琪, 陈波, 江颉. 基于字节码图像和深度学习的Android恶意应用检测[J]. 电信科学, 2019, 35(1): 9-17.