Semi-überwachtes SVM-Batchmodus aktives Lernen für die Bildrückgewinnung

Aktives Lernen hat sich als eine Schlüsseltechnik zur Verbesserung der Leistung der inhaltsbasierten Bildrückgewinnung (CBIR) erwiesen. Unter verschiedenen Methoden ist das aktive Lernen mit Support-Vektor-Maschinen (SVM) aufgrund seiner Anwendung auf Relevanz-Feedback in CBIR beliebt. Allerdings hat das reguläre aktive Lernen mit SVM zwei Hauptnachteile, wenn es für Relevanz-Feedback verwendet wird. Erstens leidet SVM oft unter dem Lernen mit einer geringen Anzahl an gekennzeichneten Beispielen, was bei Relevanz-Feedback der Fall ist. Zweitens berücksichtigt das aktive Lernen mit SVM normalerweise nicht die Redundanz zwischen den Beispielen und könnte daher mehrere Beispiele im Relevanz-Feedback auswählen, die einander ähnlich (oder sogar identisch) sind. In diesem Papier schlagen wir ein neuartiges Schema vor, das sowohl semi-überwachtes Kernel-Lernen als auch aktives Lernen im Batchmodus für Relevanz-Feedback in CBIR nutzt. Insbesondere wird zunächst eine Kernel-Funktion aus einer Mischung von gekennzeichneten und ungekennzeichneten Beispielen gelernt. Der Kernel wird dann verwendet, um die informativen und vielfältigen Beispiele für aktives Lernen über ein Min-Max-Rahmenwerk effektiv zu identifizieren. Eine empirische Studie mit Relevanz-Feedback von CBIR zeigte, dass das vorgeschlagene Schema deutlich effektiver ist als andere hochmoderne Ansätze.