基于主動式分析的相對屬性學(xué).pdf

1、屬性學(xué)習(xí)作為語義學(xué)習(xí)的主要分支之一,是當(dāng)前視覺領(lǐng)域的研究熱點。屬性學(xué)習(xí),包括二值屬性和相對屬性,是依靠人為定義一些具有具體含義的屬性名稱,通過判斷圖像或者視頻中是否存在相應(yīng)的屬性,從而更為精確地描述物體與場景。屬性學(xué)習(xí)與眾多語義學(xué)習(xí)方法相同,在智能監(jiān)控、機器人視覺等方面,均具有重要的研究價值和應(yīng)用背景。
　　目前針對屬性學(xué)習(xí)已有大量的研究工作,然而這些研究均忽略了一個重要問題。在傳統(tǒng)的屬性學(xué)習(xí)算法中,由于同一圖像或者視頻包含多種屬

2、性,因此在為屬性建模的過程中,將需要大量的屬性標(biāo)簽信息。獲取標(biāo)簽信息的工作不僅費時而且費力,無法滿足實際應(yīng)用中的需要。因此,我們希望利用主動學(xué)習(xí)策略,從大量的無標(biāo)簽數(shù)據(jù)中挖掘具有代表性的標(biāo)簽信息,從而建立具有普適性的屬性模型,這樣能夠極大地減少獲取標(biāo)簽信息時所產(chǎn)生的時間消耗和體力消耗。
　　針對上述問題,本文首先通過研究相對屬性建模中RankSVM-with-Sim模型的性質(zhì),發(fā)現(xiàn)基于最小化模型版本空間(VersionSpaceR

3、eduction)的主動學(xué)習(xí)算法和基于最大化模型變化(ExpectedModelChange)的主動學(xué)習(xí)算法的局限性,如版本空間的平分界面無法確定及無標(biāo)簽樣本的標(biāo)簽估計問題等。為了解決上述局限性,本文進一步提出基于樣本多樣化與模型梯度最大化的主動學(xué)習(xí)算法。該算法主要包含兩步,首先利用模型梯度最大化策略,實現(xiàn)樣本所包含信息量大小的判定,進而選取信息量較大的多個無標(biāo)簽樣本;其次利用樣本多樣化策略,通過類內(nèi)方差最小化使得待標(biāo)注樣本間的共有信息