基于聚类标签均值的半监督支持向量机

计算机工程与科学

基于聚类标签均值的半监督支持向量机

田勋，汪西莉

（陕西师范大学计算机科学学院，陕西西安 710062）

收稿日期:2016-09-05 修回日期:2018-04-24 出版日期:2018-12-25 发布日期:2018-12-25
基金资助:
国家自然科学基金(41171338,41471280)

Semi-supervised support vector machine

based on clustering label mean

TIAN Xun,WANG Xili

(School of Computer Science,Shaanxi Normal University,Xi’an 710062,China)

Received:2016-09-05 Revised:2018-04-24 Online:2018-12-25 Published:2018-12-25

摘要/Abstract

摘要：

针对标签均值半监督支持向量机在图像分类中随机选取无标记样本会导致分类正确率不高，以及算法的稳定性较低的问题，提出了基于聚类标签均值的半监督支持向量机算法。该算法修改了原算法对于无标记样本的惩罚项，对选取的无标记样本聚类，使用聚类标签均值替换标签均值。实验结果表明，使用聚类标签均值训练的分类器大大减少了背景与目标的错分情况，提高了分类的正确率以及算法的稳定性，适合用于图像分类。

关键词: 半监督支持向量机, 标签均值, 聚类标签均值, 图像分类

Abstract:

Semi-supervised support vector machine (S3VM) based on label mean can lead to low classification accuracy and unstable results due to random selection of unlabeled samples. In order to deal with the problems, we propose a semisupervised support vector machine based on clustering label mean. This method modifies the penalty terms of the original algorithm for unlabeled samples, clusters unlabeled samples and replaces label mean with clustering label mean. Experimental results indicate that the proposed method greatly reduces the misclassification of background and objectives, improves the stability and classification accuracy of the algorithm, and it is suitable for image classification.

Key words: semi-supervised support vector machine (S3VM), label mean, clustering label mean, image classification

田勋，汪西莉. 基于聚类标签均值的半监督支持向量机[J]. 计算机工程与科学.

TIAN Xun,WANG Xili.

Semi-supervised support vector machine

based on clustering label mean

[J]. Computer Engineering & Science.

[1]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[2]	李亚召, 云利军, 叶志霞, 王坤, 翟乃琦. 基于卷积神经网络的霉变烟叶图像识别方法研究[J]. 计算机工程与科学, 2021, 43(03): 473-479.
[3]	赵俊生，候圣，王鑫宇，尹玉洁. 基于集成学习的图像垃圾邮件过滤方法[J]. 计算机工程与科学, 2020, 42(06): 1049-1059.
[4]	郁松，廖文浩. 基于3D-ResNet的阿尔兹海默症分类算法研究[J]. 计算机工程与科学, 2020, 42(06): 1068-1075.
[5]	孙明华，杨媛，李渊博. 基于深度可分离卷积的地铁隧道巡检视频分析[J]. 计算机工程与科学, 2020, 42(04): 691-698.
[6]	徐频捷1,2，王诲喆1,2，李策3，唐丹1，赵地1. 基于脉冲神经网络与移动GPU计算的图像分类算法研究与实现[J]. 计算机工程与科学, 2020, 42(03): 397-403.
[7]	陈诚1，郭卫斌1，李庆瑜2. 结合自注意力的对抗性领域适应图像分类方法[J]. 计算机工程与科学, 2020, 42(02): 259-265.
[8]	李聪，潘丽丽，陈蓉玉，周燕，邵伟志. 采用融合卷积网的图像分类算法[J]. 计算机工程与科学, 2019, 41(12): 2179-2186.
[9]	蒋芸，张海，陈莉，陶生鑫. 基于卷积神经网络的图像数据增强算法[J]. 计算机工程与科学, 2019, 41(11): 2007-2016.
[10]	许浩，郭卫斌. 带有双判别器的对抗性领域适应图像分类算法[J]. 计算机工程与科学, 2019, 41(09): 1656-1661.
[11]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(07): 1212-1219.
[12]	姜文超 1，2，刘海波1,杨宇杰1，陈佳峰1，孙傲冰2. 一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法[J]. 计算机工程与科学, 2018, 40(09): 1646-1652.
[13]	徐德荣，陈秀宏，田进. 基于类编码的判别特征学习[J]. 计算机工程与科学, 2018, 40(03): 555-563.
[14]	张娟,蒋芸,胡学伟,肖吉泽. 基于卷积受限玻尔兹曼机的医学图像分类新方法[J]. 计算机工程与科学, 2017, 39(02): 323-329.
[15]	胡学伟，蒋芸，邹丽，李志磊，沈健. 基于邻域关系模糊粗糙集的医学图像分类研究[J]. J4, 2016, 38(04): 739-746.