面向图像数据集的高斯过程分类

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (11): 160-163.

• 图形、图像、模式识别 • 上一篇下一篇

面向图像数据集的高斯过程分类

温雯1，郝志峰1，2，邵壮丰3

1.广东工业大学计算机学院，广州 510006
2.华南理工大学计算机科学与工程学院，广州 510641
3.中国电信广东网络操作维护中心，广州 510110

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-04-11 发布日期:2011-04-11

Gaussian process classification for image datasets

WEN Wen1，HAO Zhifeng1，2，SHAO Zhuangfeng3

1.Faculty of Computer，Guangdong University of Technology，Guangzhou 510006，China
2.School of Computer Science and Engineering，South China University of Technology，Guangzhou 510641，China
3.Network Operation and Maintenance Center of Guangdong Telecom，Guangzhou 510110，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-04-11 Published:2011-04-11

摘要/Abstract

摘要： 高斯过程分类是近年机器学习领域引起广泛关注的一类有监督的学习算法。该算法在高斯过程的先验假设下，以后验概率最大化的为目标，获得对新样本的预测值及属于该值的概率。针对图像数据的特性，提出一种将高斯过程应用于图像分类的方法，同时在此基础上给出对图片进行排序的一种方案。在公开的图像数据集上进行了实验，并与支持向量机分类器进行对比，证实了其有效性，为改进图像分类技术提供一条可供参考的途径。

关键词: 高斯过程, 图像分类, 模式识别, 机器学习

Abstract: Gaussian process classification receives increased attention in the machine learning community over the past decade.It maximizes the posterior probability based on the Gaussian process prior assumption and obtains predictive probability on unlabeled samples.Implemented Gaussian process method for image classification is proposed in this paper and a strategy is given for image ranking.The algorithm is tested on several well-known object category datasets.Compared with those produced by support vector machines，it verifies the effectiveness of the proposed method and provides a new approach to improve the image classification.

Key words: Gaussian process, image classification, pattern recognition, machine learning

温雯1，郝志峰1，2，邵壮丰3. 面向图像数据集的高斯过程分类[J]. 计算机工程与应用, 2011, 47(11): 160-163.

WEN Wen1，HAO Zhifeng1，2，SHAO Zhuangfeng3. Gaussian process classification for image datasets[J]. Computer Engineering and Applications, 2011, 47(11): 160-163.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[3]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[4]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[5]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[6]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[7]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[8]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[9]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[10]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[11]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[12]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[13]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[14]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[15]	吕品，武秦娟，许嘉. 上市公司文本信息披露智能分析研究综述[J]. 计算机工程与应用, 2021, 57(24): 1-13.

面向图像数据集的高斯过程分类

Gaussian process classification for image datasets

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics