一种基于概率产生式特征学习的图像检索方法

提出了一种基于概率产生式特征学习的图像检索方法,该方法采用高斯混合模型对数据分布建模,并基于贝叶斯推断的方式从模型中学习出表征图像的特征映射,该特征映射充分利用了数据分布信息。具体来说,它编码了概率产生式模型的模型参数、隐变量和观测样本等有益于图像检索的高层语义信息。最后,基于学习出的特征映射构建核函数衡量图像间的相似度,完成图像检索。在两个标准图像数据库的实验结果验证了本文方法的有效性。

一种结合SVM学习的产生式依存分析方法

本文提出了一种结合SVM学习和产生式模型的依存分析方法。该方法用产生式模型的分析错误对SVM分类器进行训练。为进一步提高分析精度,采用扩大寻优范围的动态规划算法对产生式模型的分析结果进行错误估计,同时引入范围参数,使得寻优范围可以根据实际情况进行调整。本方法在不牺牲分类性能的前提下,有效减少了训练SVM分类器所依赖的支撑向量数。在对哈工大中文树库语料上的对比测试结果表明,该方法的依存分析精度达到86.4%,具有很强的依存分析能力。