基于分层高斯混合模型的半监督学习算法

提出了一种基于分层高斯混合模型的半监督学习算法 半监督学习算法的学习样本包括已标记类别样本和未标记类别学习样本 如用高斯混合模型拟合每个类别已标记学习样本的概率分布 ,进而用高斯数为类别数的分层高斯混合模型拟合全部 (已标记和未标记 )学习样本的分布 ,则形成为一个基于分层的高斯混合模型的半监督学习问题 基于EM算法 ,首先利用每个类别已标记样本学习高斯混合模型 ,然后以该模型参数和已标记样本的频率分布作为分层高斯混合模型参数的初值 ,给出了基于分层高斯混合模型的半监督学习算法 以银行票据印刷体数字识别做实验 ,实验结果表明 。

一种通过去噪来提高图像标注性能的方法

提出一种通过去除噪声来提高分层高斯混合模型的图像标注性能的方法.在有监督多概念标注(Su-pervised Multiclass Labeling,SML)中,它采用了分层高斯混合模型,有效地把大量的表示图片的高斯混合模型聚类成一个表示某概念类的高斯混合模型,从而很容易实现图像的分类和标注.通过引入去噪过程,减少了图片中与概念不相关的高斯分量,消除了噪声高斯分量对分类器的负面影响,从而提高了分类性能.基于TRECVID2005数据的图像标注实验证明,该方法可以取得比SML方法更好的标注性能.