طبقه بندی تصاویر مبتنی بر رویکرد یادگیری چندنمونه ای

شناسایی صحنه و تعیین اشیاء برجسته درون آن یکی از حوزه های مورد توجه سال های اخیر محققین پردازش تصویر بوده است. اینمقاله یک الگوریتم موثر مبتنی بر یادگیری چندنمونه ای برای طبقه بندی تصویر ارایه می کند. مجموعه تصاویر مرحله آموزش دارای چندینبرچسب معنایی می باشند. الگوریتم پیشنهادی شامل 3 مرحله است: در مرحله اول، که هدف اصلی آن تبدیل مساله به یک چارچوب معادل بایادگیری چند نمونه ای است، به منظور جداسازی ناحیه های تصویر، با بکارگیری قطعه بندی پایین به بالا، تصویر به مجموعه ای از سوپر پیکسل هاتقسیم می شود. در مرحله بعد ویژگی های سطح پایین تصویر شامل بافت، رنگ و مساحت شکل محاسبه می شود. سپس با اعمال دو نوع طبقه -بندی MIL-Boost مبتنی بر یک خوشه و MCIL-Boost چند خوشه، برچسب معنایی تصویر ورودی پیش بینی میشود. نتایج بدست آمده بر روی پایگاه داده MSRC میانگین دقت 76/5% و 83/9 % را به ترتیب برای الگوریتم یادگیری چندنمونه ای یک خوشه و چندین خوشه نشان میدهد که در مقایسه با روشهای پیشین افزایش قابل توجهی را بیان می کند.

کلیدواژه ها:

سوپرپیکسل ، طبقه بندی ، نظارت ضعیف ، یادگیری چندنمونه ای