基于图学习的多视图半监督特征提取方法及其图像分类应用

摘要

近年来多视图学习在多个研究与应用领域引起了学者的广泛关注。传统的有监督多视图学习在训练过程中只使用少量的有标记样本，恰恰相反，传统的无监督多视图学习使用大量的无标记样本。与两种方法相比，如何在多视图中研究半监督方法，同时利用标记样本和未标记样本的训练集，成为机器学习的研究热点。
　　结合半监督学习理论，求出各个视图的投影矩阵，通过投影变换进行特征提取，提出多视图半监督特征提取(Multi-view Semi-supervised Feature Extraction，MvSFE)算法。MvSFE方法从多视图学习与基于图的半监督学习中获益，这种模式有效地利用了大量未标记的数据和来自不同视图之间的互补信息，从而使得提取出的特征更加有效和具有鲁棒性。
　　提出鉴别的多视图半监督分析方法(Discriminat Multi-view Semi-supervised Analysis，DMvSA)，该方法不仅利用了基于图的半监督方法于多视图中，而且考虑了鉴别信息。最终的投影矩阵能够满足视图中同类样本相互靠近，不同类样本相互远离。所以有效得提取出视图特征之间存在的鉴别信息，从而提高分类算法的效果。
　　加入统计不相关约束，去除不同视图间存在的冗余信息，由此获得新的样本投影矩阵。提出鉴别的多视图半监督统计不相关分析方法(Discriminat Multi-view Semi-supervised Statistical Uncorrelated Analysis，DMvS2UA)，使得不同视图的样本经过投影之后，视图间存在的冗余信息尽可能的减少，优化算法性能，能够进一步提高分类效果。
　　多个数据库上进行的实验验证并与主流的多视图特征识别方法进行比较，表明所提方法能有效提取多视图特征，并具有更好的识别性能。

目录

声明

第一章 绪论

1.1课题研究背景

1.2多视图学习的研究现状

1.3半监督学习的研究现状及常用方法

1.4本文工作概述以及剩余内容章节安排

第二章 特征学习相关背景知识介绍

2.1半监督学习算法

2.2多视图方法介绍

2.3本章小结

第三章 多视图半监督特征提取算法

3.1多视图半监督特征提取算法的基本思想

3.2多视图半监督特征提取算法的数学模型

3.3多视图半监督特征提取算法过程

3.4测试样本的分类过程

3.5实验结果与分析

3.6本章小结

第四章 鉴别的多视图半监督分析方法

4.1鉴别的多视图半监督分析方法的提出

4.2鉴别的多视图半监督分析方法的数学模型

4.3鉴别的多视图半监督分析方法的算法过程

4.4实验结果与分析

4.5本章小结

第五章 鉴别的多视图半监督统计不相关分析

5.1鉴别的多视图半监督统计不相关分析的提出

5.2鉴别的多视图半监督统计不相关分析的数学模型

5.3鉴别的多视图半监督统计不相关分析的算法过程

5.4实验结果与分析

5.5本章小结

第六章 总结与展望

6.1本文工作总结

6.2进一步展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

致谢