基于选择性聚类集成的图像目标分类方法

储岳中; 刘恒; 张学锋; 潘祥

Chinese

您当前的位置：

首页 >

文章列表页 >

基于选择性聚类集成的图像目标分类方法

更新时间：2026-09-04

- 基于选择性聚类集成的图像目标分类方法
- Image Target Classification Method Based on Selective Cluster Aggregation
- 微电子学与计算机 2017年34卷第11期页码：58-62
- 作者机构：
  
  安徽工业大学机构计算机科学与技术学院,安徽,马鞍山,243002
- 作者简介：
- 基金信息：
  
  国家自然科学基金 61602007安徽高校自然科学研究重点项目 KJ2016A085安徽高校自然科学研究重大项目 KJ2015ZD09
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
储岳中, 刘恒, 张学锋, 潘祥. 基于选择性聚类集成的图像目标分类方法[J]. 微电子学与计算机, 2017, 34(11): 58-62.

CHU Yue-zhong, LIU Heng, ZHANG Xue-feng, et al. Image Target Classification Method Based on Selective Cluster Aggregation[J]. 2017, 34(11): 58-62.
储岳中, 刘恒, 张学锋, 潘祥. 基于选择性聚类集成的图像目标分类方法[J]. 微电子学与计算机, 2017, 34(11): 58-62. DOI：

CHU Yue-zhong, LIU Heng, ZHANG Xue-feng, et al. Image Target Classification Method Based on Selective Cluster Aggregation[J]. 2017, 34(11): 58-62. DOI：

摘要

传统集成学习算法是对所有个体分类器进行组合决策

由于无法反映个体分类器的差异性

不能有效提高集成分类器的识别率.为此

提出基于互信息(Normalized Mutual Information

NMI)的个体分类器差异性度量方法

利用匈牙利算法对个体分类器的标记向量进行匹配

在此基础上提出基于成分数据的AP (Affinity Propagation)聚类集成算法作为选择性集成策略.在遥感图像上分别与经典算法做比较实验

结果表明此算法在分类性能上具有一定的优越性.

Abstract

The traditional ensemble learning algorithm was a combination of the individual classifiers

which couldnt reflect the differences of individual classifiers and effectively improve the recognition rate of ensemble classifier. A measurement method based on Normalized Mutual Information was proposed

and the Hungarian algorithm was used to match the labeled vectors of individual classifiers. On the basis of that

a AP (Affinity Propagation) clustering integrated strategy was proposed based on component data. Compared with the classical algorithm on the remote sensing image

the results showed that the proposed algorithm has certain advantages in classification performance.

关键词

Keywords

references

YU G X, ZHANG G J, YU Z W, et al. Semi-supervised ensemble classification in subspaces[J]. Applied Soft Computing, 2012, 12(5): 1511-1522. DOI: 1511

杨长盛, 陶亮, 曹振田, 等. 基于成对差异性度量的选择性集成方法[J]. 模式识别与人工智能, 2010, 23(4): 565-571. DOI: 565

罗会兰, 孔繁胜, 李一啸. 聚类集成中的差异性度量研究[J]. 计算机学报, 2007, 30(8): 1315-1324. DOI: 1315

KOEN W, DE B, KRISTOF C, et al. Ensemble classification based on generalized additive models[J]. Computational Statistics and Data Analysis, 2010, 54(6): 1535-1546. DOI: 1535

ROKACH Lior. Collective-agreement-based pruning of ensembles[J]. Computational Statistics and Data Analysis, 2009, 53(4): 1015-1026. DOI: 1015

余晓东, 雷英杰, 宋亚飞, 等. 基于直觉模糊核匹配追踪集成的目标识别方法[J]. 通信学报, 2015, 36(10): 165-171. DOI: 165

ZHNAG L, ZHOU W D. Sparse ensembles using weighted combination methods based on linear programming [J]. Pattern Recognition, 2011, 44(1): 97-106. DOI: 97

姚旭, 王晓丹, 张玉玺, 等. 基于AdaBoost和匹配追踪的选择性集成算法[J]. 控制与决策, 2014, 29(2): 208-214. DOI: 208

毕凯, 王晓丹, 邢雅琼. 基于模糊测度和证据理论的模糊聚类集成方法[J]. 控制与决策, 2015, 30(5): 823-830. DOI: 823

孟军, 尉双云. 基于近邻传播聚类的集成特征选择方法[J]. 计算机科学, 2015, 42(3): 241-245. DOI: 241

王磊, 周乐囡, 姬红兵, 等. 一种面向信号分类的匹配追踪新方法[J]. 电子与信息学报, 2014, 36(6): 1299-1306. DOI: 1299

STREHL A, GHOSH J. Cluster ensembles-a knowledge reuse framework for combining multiple partitions[J]. The Journal of Machine Learning Research, 2002, 3(12): 583-617. DOI: 583

ZHOU Z H, WU J, TANG W. Ensembling neural networks: Many could be better than all[J]. Artificial Intelligence, 2002, 137(1/2): 239-263. DOI: 239

韩敏, 吕飞. 基于互信息的选择性集成核极端学习机[J]. 控制与决策, 2015, 30(11): 2089-2092. DOI: 2089

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种基于特征上下文理解与切片分析的肺结核检测算法

基于多尺度融合与小目标增强的航拍车辆检测算法

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

超低功耗实时时钟电路的设计

注意力机制与改进密集卷积引导的信息隐藏模型