%0 Journal Article
%T QPSO-based Multi-instance Learning for Image Annotation<br>基于QPSO-MIL算法的图像标注
%A LI Da-xiang
%A PENG Jin-ye
%A BU Qi-rong
%A <br>李大湘
%A 彭进业
%A 卜起荣
%J 计算机科学
%D 2010
%I 
%X 在多数现有图像标注图像库中,关键字只标注在图像级而非区域级,使有监督学习方法在图像标注中难以应用.基于量子粒子群优化算法(quantum-behaved particle swarm optimization,QPSO)提出了一种新的多示例学习(multi-instance learning,MIL)算法--QPSO-MIL算法,在多示例学习的框架下将基于区域的图像标注问题描述成一个有监督的学习问题.该方法将图像当作包,分割的区域当作包中的示例,利用多样性密度(DD)函数,定义了粒子的适应度向量.在示例空间,利用QPSO方法在各个维度上同时搜索DD函数的全局极大值点,作为关键字的概念点,然后根据Bayesian后验概率最大准则(MAP)对图像进行标注.通过ECCV 2002图像库的实验结果表明,QPSO-MIL算法是有效的.
%K 多示例学习
%K 图像标注
%K 量子粒子群优化
%U http://www.alljournals.cn/get_abstract_url.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=64A12D73428C8B8DBFB978D04DFEB3C1&aid=3A3FAFC0558E420039999D2248826CB8&yid=140ECF96957D60B2&vid=42425781F0B1C26E&iid=B31275AF3241DB2D&sid=B4E8EA49DAAEB84F&eid=4133DDB79B497495&journal_id=1002-137X&journal_name=计算机科学&referenced_num=0&reference_num=21