多類別模式分類技術及其在多媒體分析上的應用.pdf

1、多媒體自動概念標注是在語義層次上進行視頻瀏覽、搜索的關鍵技術。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，并達到了一定得準確度。但是這種方法完全忽略了概念類別之間的關系。第二階段的方法在單獨檢測單個概念的基礎上添加了一個語義融合的步驟來通過挖掘概念之間的關聯(lián)以此提高標注的準確度。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、關系以及概念之間關系進行建模的方法，稱作關聯(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)有的算法進行了比較，并得到了滿意的結果。 另一方面，一般的主動學習算法可以在樣本的維度上動態(tài)地構建訓練集。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注，而其它的類別可以通

3、過類別之間的關系推斷出來。這是因為考慮到類別的關聯(lián)性，不同的類別對最小化分類誤差的貢獻是不同的。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習算法，因為它在設計主動學習策略時同時考慮了樣本維度和類別維度。進一步，由于訓練樣本隨著時間會不斷增加，如果使用基于重訓練策略的多類別分類器，會大大增加計算的強度。我們開發(fā)了一種高效的在線模型，它能夠僅利用新到達的數(shù)據(jù)即可動態(tài)地更新當前的模型，大大