导读:本文包含了示例学习论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:示例,图像,多核,卷积,陶俑,社戏,机器。
示例学习论文文献综述
丁锋[1]（2019）在《留干去枝 自成一文——"学习缩写"升格训练示例》一文中研究指出技法指点缩写就是"长话短说",就是在保持原文基本内容、主要思想不变的前提下,将原文用自己的话表述一遍。缩写常见的问题有:文体不明,主旨不清,主次不分,表达不畅。针对以上问题,可从以下叁方面着手:(1)通读文章,依据文体,明确缩写要点。叙事性文章,抓主要人物和主要情节,体现情感态度;说明性文章,抓说明对象主要特(本文来源于《初中生世界》期刊2019年47期）
陈建中[2]（2019）在《窗外有幅画——“学习描写景物”升格训练示例》一文中研究指出技法指点一篇好文章离不开成功的景物描写。然而在景物描写的作文中,同学们或是抓不住景物的特征,或是不会调动感官,或是不注意顺序,更严重的是没有融入情感。如果你也有这样的困惑,那么,"一多叁结合"将是一个不错的秘诀。以《春》中的"春花图"为例,作者是如何使用"一多叁结合"来体现"春花"的特征的呢?首先,"一多"就是指"调动多种感官"。"红的像火,粉的像霞,白的像(本文来源于《初中生世界》期刊2019年42期）
温超,屈健,李展[3]（2019）在《融合深度特征的多示例学习陶俑图像分类》一文中研究指出针对陶俑文物的图像理解问题,陶俑分类可为其提供有价值的信息,该文提出了一种融合深度特征的多示例学习(MIL)方法用于陶俑图像分类。首先,对陶俑图像进行分割,提取出分割区域的手工特征(包括尺度不变特征变换和形态特征)和卷积神经网络特征;接着,采用联合字典学习获取多示例学习的多概念点,并使用多核将深度学习特征与传统手工特征融合到多示例学习框架;最后,利用直推式支持向量机进行分类。在陶俑图像集和MIL数据集上的实验结果表明,该文方法是有效的,且相较其他深度和非深度MIL算法具有更高的分类准确度。(本文来源于《西北大学学报(自然科学版)》期刊2019年06期）
倪文,廖嘉林[4]（2019）在《基于多示例的字典学习分类方法》一文中研究指出本文主要提出了一种基于多示例的字典学习分类方法,在多示例学习中引入字典学习来重新构建多示例特征,通过字典学习得到的多示例特征(稀疏编码)通常可以减少数据的冗余信息并提高分类器的判别力。1.引言(本文来源于《电子世界》期刊2019年20期）
袁京洲,高昊,周家特,冯巧遇,吴建盛[5]（2019）在《基于树结构的层次性多示例多标记学习》一文中研究指出针对多示例多标记学习中标记间树结构的问题,将多示例学习、多标记学习和树结构标记优化方法有机融合,提出了基于树结构标记的层次性多示例多标记学习方法TreeMIML. TreeMIML先将样本中的多个示例转化为单示例,然后通过多标记学习得到新样本的标记,最后通过树结构标记优化方法学习样本的最终标记.实验结果证明,TreeMIML方法在G蛋白偶联受体的生物学功能预测上获得了很好的分类性能,优于目前最好的多示例多标记学习和多标记学习方法.(本文来源于《南京师大学报(自然科学版)》期刊2019年03期）
任婕,侯博建,姜远[6]（2019）在《多示例学习下的深度森林架构》一文中研究指出多示例学习已经广泛地应用到各个领域,如图像检索、文本分类、人脸识别等.而近年来深度神经网络也成功地运用到各个任务和问题上,MI-Nets是深度神经网络在多示例学习领域一个成功的应用.虽然MI-Nets很成功,但其主要在图像相关的任务上表现突出,而在非图像任务比如文本分类任务上的性能并不令人满意.而最近2年兴起的深度森林在非图像任务上取得了较好的成绩,并因为其相对于深度神经网络有较少的参数和较稳定的性能而受到青睐.所以用深度森林来提升多示例学习性能具有可行性.但由于深度森林结构的限制,并不能把组成深度森林的每一个森林都直接替换成包级别的森林,需要修改深度森林的结构来达到目的.提出了一种新的深度森林架构MIDF.在该架构下,为了使得中间层的输出分布可以和包中的示例拼接成功,拼接时把包里的每个示例都看作是一个包,从而使得级联结构依然有效.另外,还能自动确认深度森林的层数.实验结果表明:该方法在图像任务上的性能与擅长处理图像任务的MI-Nets相当;而在文本数据上,该方法取得了比MI-Nets和其他基线算法更好的效果.(本文来源于《计算机研究与发展》期刊2019年08期）
李村合,张振凯,朱洪波[7]（2019）在《基于半监督学习的多示例多标签改进算法》一文中研究指出多示例多标签学习框架是一种针对解决多义性问题而提出的新型机器学习框架,在多示例多标签学习框架中,一个对象是用一组示例集合来表示,并且和一组类别标签相关联。E-MIMLSVM~+算法是多示例多标签学习框架中利用退化思想的经典分类算法,针对其无法利用无标签样本进行学习从而造成泛化能力差等问题,使用半监督支持向量机对该算法进行改进。改进后的算法可以利用少量有标签样本和大量没有标签的样本进行学习,有助于发现样本集内部隐藏的结构信息,了解样本集的真实分布情况。通过对比实验可以看出,改进后的算法有效提高了分类器的泛化性能。(本文来源于《电子技术应用》期刊2019年07期）
陈涛[8]（2019）在《基于子空间集成的多示例学习算法》一文中研究指出文章提出一个基于多个子空间集成的多示例学习算法(MSEMIL),用于解决多示例学习中变换示例空间后获得包特征的高维问题.首先将包向所有示例组成的示例空间映射,得到1个包特征;接着,融合bagging法选取训练样本子集和随机选取特征子集,将训练集和测试集划分成多个子空间,在每个子空间上训练生成1个半监督子分类器;集成学习合并多个子分类器的分类结果,得到1个多示例学习集成分类器.在Corel数据集上的实验表明,MSEMIL算法获得了高的分类精度.(本文来源于《深圳职业技术学院学报》期刊2019年03期）
陈涛[9]（2019）在《基于多示例学习的图像检索方法》一文中研究指出多示例学习是一种新的机器学习斱法。本文将多示例学习应用到图像检索上,提出一个基于多示例学习的图像检索斱法。将图像检索置换成多示例学习,把图像看作多示例学习中的包,图像分割后的多个区域看作包中的示例,幵引入相兲反馈技术优化图像检索。提出的检索斱法在Corel图像集上获得了较好性能。(本文来源于《网络安全技术与应用》期刊2019年04期）
陈涛,董紫君[10]（2019）在《基于改进萤火虫群优化的多示例学习算法》一文中研究指出利用人工萤火虫群优化算法在求解极值上具有搜索精度高、收敛速度快的特点,求解多示例学习函数的最优值,提出基于改进萤火虫群优化的多示例学习算法(RGSOMIL),并应用到图像检索。在Corel图像集图像检索实验,RGSOMIL算法获得较好性能。(本文来源于《现代计算机(专业版)》期刊2019年10期）
示例学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
技法指点一篇好文章离不开成功的景物描写。然而在景物描写的作文中,同学们或是抓不住景物的特征,或是不会调动感官,或是不注意顺序,更严重的是没有融入情感。如果你也有这样的困惑,那么,"一多叁结合"将是一个不错的秘诀。以《春》中的"春花图"为例,作者是如何使用"一多叁结合"来体现"春花"的特征的呢?首先,"一多"就是指"调动多种感官"。"红的像火,粉的像霞,白的像
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
示例学习论文参考文献
[1].丁锋.留干去枝自成一文——"学习缩写"升格训练示例[J].初中生世界.2019
[2].陈建中.窗外有幅画——“学习描写景物”升格训练示例[J].初中生世界.2019
[3].温超,屈健,李展.融合深度特征的多示例学习陶俑图像分类[J].西北大学学报(自然科学版).2019
[4].倪文,廖嘉林.基于多示例的字典学习分类方法[J].电子世界.2019
[5].袁京洲,高昊,周家特,冯巧遇,吴建盛.基于树结构的层次性多示例多标记学习[J].南京师大学报(自然科学版).2019
[6].任婕,侯博建,姜远.多示例学习下的深度森林架构[J].计算机研究与发展.2019
[7].李村合,张振凯,朱洪波.基于半监督学习的多示例多标签改进算法[J].电子技术应用.2019
[8].陈涛.基于子空间集成的多示例学习算法[J].深圳职业技术学院学报.2019
[9].陈涛.基于多示例学习的图像检索方法[J].网络安全技术与应用.2019
[10].陈涛,董紫君.基于改进萤火虫群优化的多示例学习算法[J].现代计算机(专业版).2019
论文知识图
