基于时变多示例学习的性别识别

为了提高性别识别(gender identification)的识别率,提出了一种基于时变多示例学习(multi-instance learning)的性别识别方法。该方法将语音段作为多示例包,语音的声学特征矢量经过K均值(K-means)聚类生成包中示例。将男、女性语音包标记成不同类别后,利用EM-DD(expectation maximization diverse density)算法求解出男、女性语音的多密度点,提出了Bags-K近邻分类算法进行识别。实验结果表明,性别识别系统平均识别率可达97%。

一种结合多示例学习的图像检索方法

提出一种基于多示例学习(Multiple-instance learning)的图像检索方法,将多示例学习应用于图像检索中,以有效的处理图像的歧义性。该方法首先将图像作为多示例包,其次采用自适应k-means图像分割算法将图像自动分成多个示例,然后根据用户选择的实例图像生成正包和反包,再采用EM-DD(expectation maximization diverse density)算法进行多示例学习,实现图像检索和相关反馈,最终使用户得到比较满意的结果。