多類別模式分類技術(shù)及其在多媒體分析上的應(yīng)用.pdf

1、多媒體自動概念標(biāo)注是在語義層次上進(jìn)行視頻瀏覽、搜索的關(guān)鍵技術(shù)。這方面的研究經(jīng)歷了兩個階段。第一個階段使用二值分類算法檢測概念集中的每個概念，并達(dá)到了一定得準(zhǔn)確度。但是這種方法完全忽略了概念類別之間的關(guān)系。第二階段的方法在單獨(dú)檢測單個概念的基礎(chǔ)上添加了一個語義融合的步驟來通過挖掘概念之間的關(guān)聯(lián)以此提高標(biāo)注的準(zhǔn)確度。但是這種方法會將第一步的分類錯誤引入第二步中造成“誤差傳播”的問題。為了解決上述問題，我們提出一種新的同時對單個概念與底層特征

2、關(guān)系以及概念之間關(guān)系進(jìn)行建模的方法，稱作關(guān)聯(lián)多類別方法(Correlative Multi-Label，簡記CML)。我們在TRECVID數(shù)據(jù)集上與現(xiàn)有的算法進(jìn)行了比較，并得到了滿意的結(jié)果。 另一方面，一般的主動學(xué)習(xí)算法可以在樣本的維度上動態(tài)地構(gòu)建訓(xùn)練集。盡管這種方法在一般的二值分類問題上取得了滿意的結(jié)果，然而對于多類別問題而言不是最優(yōu)的解決方法。我們認(rèn)為，對于每個選出的樣本，僅僅其中的一些有效類別需要被標(biāo)注，而其它的類別可以通

3、過類別之間的關(guān)系推斷出來。這是因?yàn)榭紤]到類別的關(guān)聯(lián)性，不同的類別對最小化分類誤差的貢獻(xiàn)是不同的。因此，我們提出一種通過選擇樣本-類別對來最小化多類別貝葉斯分類誤差界的方法，我們稱之為二維主動學(xué)習(xí)算法，因?yàn)樗谠O(shè)計主動學(xué)習(xí)策略時同時考慮了樣本維度和類別維度。進(jìn)一步，由于訓(xùn)練樣本隨著時間會不斷增加，如果使用基于重訓(xùn)練策略的多類別分類器，會大大增加計算的強(qiáng)度。我們開發(fā)了一種高效的在線模型，它能夠僅利用新到達(dá)的數(shù)據(jù)即可動態(tài)地更新當(dāng)前的模型，大大