求解多示例问题的支持向量数据描述方法

• 作者: 方景龙 王万良 王兴起 祁萌 龙哲
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 机器学习 模式分类 多示例学习 支持向量数据描述
• 年，卷（期）: 2013,（4）
• 所属期刊栏目: 学术论文
• 页码范围: 763-767
• 页数: 5页
• 分类号: TN391.4
• 字数: 4132字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2013.04.023

摘要

将支持向量数据描述方法引入到多示例学习中,提出了三种基于SVDD的多示例学习方法:基于包分类和示例分类的SVDD多示例学习方法MI-SVDD和mi-SVDD,以及基于正示例预测的SVDD多示例学习方法SVDD-MILD_I.在MUSK数据集上的实验结果表明,MI-SVDD方法和mi-SVDD方法的精度与MI-SVM方法和mi-SVM的总体相当,SVDD-MILD_I方法的精度比较高,超过了我们已知的目前已发表的最好结果；对COREL图像库进行基于内容的图像检索的实验表明,SVDD-MILD_I方法的精度较高,并且比较好地区分了容易混淆的Beach类图像与Mountains类图像.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	祁萌	杭州电子科技大学图形图像研究所	2	9	2.0	2.0
2	王万良	浙江工业大学计算机科学与技术学院	303	3770	29.0	48.0
3	方景龙	杭州电子科技大学图形图像研究所	34	157	6.0	10.0
4	王兴起	杭州电子科技大学图形图像研究所	19	62	5.0	6.0
5	龙哲	杭州电子科技大学图形图像研究所	2	9	2.0	2.0