导读:本文包含了多实例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:实例,目标,功能,工作流,向量,网络,度量。
多实例论文文献综述
黄莉莉,陈冬林,林文健,姚梦迪[1]（2019）在《基于企业复杂需求的多实例组合云资源采购优化决策》一文中研究指出针对企业部署云资源的复杂需求和不稳定性问题,以企业多实例组合采购决策为研究对象,建立了两阶段云资源采购决策模型,考虑包含多类型虚拟机的长期合同实例和竞价实例组合,以此来降低采购过程中的风险和成本.结合维基百科2015年的8760条数据进行实验,通过对长期合同单类型实例的采购、长期合同+短期按需的组合采购、长期合同+短期竞价的组合采购方式的结果对比,证明了长期合同实例和竞价实例组合的两阶段采购方式能在采购过程中为企业带来更低的成本,实现更高的利润.(本文来源于《数学的实践与认识》期刊2019年20期）
陈茜,狄岚,梁久祯[2]（2019）在《压缩传感目标跟踪在多实例中的应用》一文中研究指出研究了一种基于压缩传感的实时目标跟踪算法。该算法结合多特征和压缩传感目标跟踪,增加随机测量矩阵提取多个特征用于检测,在跟踪时采用基于boosting的框架,利用多实例的正负样本包特性,提高置信区间估计,实现了实时的目标跟踪。实验结果及分析表明,本文方法在目标运动、姿态变化以及被部分遮挡的情况下,可在原压缩传感目标跟踪算法的基础上提高跟踪的可靠性;与传统的单一特征目标跟踪算法相比,由本方法提取的两种不同类型的特征具有互补性,使得跟踪的鲁棒性较好,能达到稳定、实时的跟踪效果。(本文来源于《数据采集与处理》期刊2019年03期）
姜思羽[3]（2019）在《多标签及多实例数据的分类模型算法研究》一文中研究指出随着手机、数据中心服务器以及庞大的互联网服务技术的发展,人工存储和处理数据的能力不断攀升,导致存储在各地的信息量的巨大增长,利用自动化系统高效地进行分类和标记这些信息变得越来越迫切,使得机器学习越来越重要。传统的机器学习中使用的是单实例单标签的数据假设,随着数据结构的复杂化,该假设已经不再适用于现实生活中。多标签学习中一个实例可以对应着多个标签的前提条件和多实例学习中多个实例对应一个标签的前提条件的出现更好的适应了现实生活中的场景。加强多标签学习和多实例学习的研究,对进一步促进机器学习发展,增强算法的实用性和提高模型效率等方面具有重要的意义。本文在已有的多标签分类和多实例分类的基础上,针对学习领域中发现的问题展开研究,主要工作如下:一、考虑到目前多标签数据集中数据不平衡问题。为了解决这个问题,我们提出了一个利用标签相关性的算法模型MLCI(multi-label learning model based on label correlation and imbalance)缓解多标签数据分布不平衡问题。模型通过耦合其他标签,将多标签数据集重构成多类别数据集,有效地避免单独处理海量的潜在子标签集合,减少了多标签数据集中标签不平衡的现象。同时,为避免过度依赖标签间相关性的影响,保持少见标签的独有性,模型还针对每个标签构建相应的二元分类器,以挖掘每个标签的特性,最后通过集成分类器,进行多标签数据的预测。本文提出的MLCI模型有效地缓解了数据集中复杂的标签不平衡问题,从理论分析和实验验证显示出MLCI的高效性。二、在多标签学习中,为进一步缓解标签问题为算法模型带来影响,提升多标签分类算法的性能,本文将迁移学习引入,提出了一个多标签度量迁移学习模型。该模型通过迁移学习的理念,利用实例的权重作为训练领域和测试领域分布的桥梁,缓解多标签数据集中不同领域之间同时出现的标签分布和实例分布不同的问题,为多标签分类的迁移学习打下基础。叁、为了更好地挖掘多标签数据中标签空间内在的几何信息,本文在基于迁移学习的基础上,加入了度量学习,改良多标签迁移学习模型为MLMTL(multi-label metric transfer learning)。该方法在缓解领域间分布不同的问题后,还有效地保留了特征空间和标签空间的固有几何信息,在解决标签和实例双重分布不同问题的同时,提升了算法的性能。四、针对多实例学习中存在的分布不同问题,本文根据多标签度量迁移学习算法中应用到的技术基础进行技术拓展,提出了一种多实例度量迁移学习MIMTL(multi-instance metric transfer learning),缓解多实例数据中不同领域之间包级别分布不同的问题。模型利用度量迁移学习给训练领域中的多实例数据集中的包添加权重,构建两个领域之间包分布的桥梁。模型制定新的学习原则,用来调节类内和类间的参数,以此放宽严格的约束条件,然后利用加权包数据构建模型,解决了多实例学习模型中常见的参数过多的问题,并且提升运算效率。(本文来源于《华南理工大学》期刊2019-04-08）
黄纬,张建德,温志萍,彭焕峰[4]（2018）在《高可用多实例虚拟网络功能链弹性部署策略》一文中研究指出网络功能虚拟化使得网络中间件能够以虚拟网络功能的形式运行在通用服务器上,并按照一定的顺序形成网络功能链部署在网络中,以提供特定的服务.由于系统故障的普遍性,需要对网络功能链中的服务器节点和链路进行备份,从而保证网络功能链的可用性要求.文中针对性能需求变化频繁的多实例虚拟网络功能链部署问题,提出一种基于迭代扩展的多实例虚拟网络功能链部署策略,兼顾通信开销和网络功能实例复用,并通过迭代将待部署的网络功能实例依次导入以扩展性能瓶颈,在满足服务可用性要求的前提下降低部署过程中的通信和实例部署开销,从而提升资源利用率.模拟实验结果表明,与主流策略相比,文中提出的方法能够减少20%以上的资源开销.(本文来源于《江苏科技大学学报(自然科学版)》期刊2018年06期）
侯勇,张自军,郭有强[5]（2018）在《一种新颖的多实例集成学习算法》一文中研究指出分析了多实例学习(MIL)在复杂数据目标(图像,基因)等方面的广泛应用,针对大多数已存在的MIL算法仅能处理小样本或中等规模样本的问题,为了处理MIL中的大规模问题,提出了一种高效可扩展的MIL集成学习算法——B2VMI(Bag to Vector Multi-instance)。该集成学习算法利用低计算成本的映射方法,将传统的MIL包映射成新的特征向量表示,以此方式获得包级信息。在多个多实例数据集上的实验表明,B2VMI具有可扩展等优秀性能,该算法不仅能够取得同当前先进的MIL集成学习算法可比较的精确度,而且具有比其他MIL集成学习算法快5倍的效率。(本文来源于《蚌埠学院学报》期刊2018年05期）
阳岳生,王冬丽,周彦[6]（2018）在《基于加权多实例学习的压缩感知目标跟踪》一文中研究指出为了处理运动目标跟踪中的遮挡、光照变化以及背景杂乱等问题,提出了一种基于加权多实例学习的压缩感知目标跟踪方法。在提取图像块类Haar特征的基础上,采用随机投影方法对高维特征进行压缩,结合加权多实例学习策略,在boosting学习框架下训练分类器,根据分类器最大响应值得到跟踪目标图像块。使用矩形框手动标定第一帧图像的目标,对后续帧采样的正负实例的类哈尔特征进行压缩,通过这些样本特征训练分类器,得到跟踪结果。实验结果表明,所提算法具有较高的跟踪精度、实时性和鲁棒性,对所选的四个具有挑战性的视频序列,跟踪成功率都能超过89%,帧率也超过26f/s。(本文来源于《光学技术》期刊2018年05期）
张超,王萌,任女尔[7]（2018）在《基于activiti多实例任务回退方案的研究与实现》一文中研究指出近年来,工作流技术日益成熟,会签在流程系统中的出现也越来越频繁。各大流程引擎也对会签做了默认支持。Activiti作为现今十分流行的开源流程引擎,通过多实例任务节点也对会签做了支持,但是对多实例的回退却没做支持。为解决上述问题,该文通过Activiti提供的服务接口,并结合一定的算法,实现多实例任务的回退。(本文来源于《电脑知识与技术》期刊2018年19期）
易帆[8]（2018）在《基于实例过滤的多实例分类研究》一文中研究指出随着信息技术的飞速发展,机器学习在各个科学领域扮演着越来越重要的角色。多实例学习由传统机器学习演变而来。在多实例学习中,训练集由若干个具有概念标记的包组成,每个包包含了若干个没有概念标记的实例。若一个包中至少有一个正例,则该包被标记为正,若一个包中所有实例都是反例,则该包被标记为负。通过对训练包的学习,希望学习系统尽可能正确地对训练集之外的包的概念标记进行预测。然而在实际应用中,正包中正实例过于稀疏往往会导致负实例主导分类结果的情况出现,即弱化了正实例在分类中的作用,从而导致预测结果准确率大幅下降。为解决上述问题,本文提出方法是对正包中的实例进行过滤,即最大限度的筛选出正包中的正实例。具体地,根据数据集的不同特性,我们提出了如下两种解决方法:一、基于聚类的多实例过滤分类。具有相同标签的数据可能具有相似的的属性值(即在空间距离上相近),通过聚类可以将它们划分到对应的簇中,从而实现正负实例的分离。我们便提出了基于K-means的多实例过滤分类方法,通过对训练样本中负包的实例进行聚类,然后比较训练样本中正包的实例到簇中心的距离,即距离越近越有可能是负实例,这样来过滤掉正包中的负实例,到达提升多实例学习模型性能的目标。二、基于KLIEP算法的多实例过滤分类。具有相同标签的数据具有相似的分布或相似的概率密度,针对这种情况我们又提出了基于KLEIP的多实例过滤分类方法。首先给训练样本中正包中的实例赋权重,其次通过最小化正包和负包中实例分布的差异,从而学习的得到权重向量。实例的权重值越大,说明此实例更大概率的属于负实例,这样我们就可以过滤掉正包中的负实例,使得多实例学习模型的性能得到提升。(本文来源于《华南理工大学》期刊2018-05-18）
张园强,查宇飞,库涛,吴敏,毕笃彦[9]（2018）在《基于多实例回归模型的视觉跟踪算法研究》一文中研究指出目前大部分基于检测的跟踪算法将跟踪任务看作是一个类别分类的任务,当目标发生形变或者遇到相似物体的干扰时,容易导致模型漂移。为此该文提出一种多实例回归跟踪算法。在该算法中,跟踪任务被认为建立在实例模型之上更为合适,为此该文利用一帧图像建立实例模型,并在时间序列上建立多实例模型集合表征目标的最近状态;为使跟踪算法能够适应目标的形变,利用逻辑回归将实例模型作为隐变量,由最近若干帧建立的正负样本集作为训练集,共同构建多实例回归跟踪模型。由于跟踪模型在整体上对多个实例模型建模,把它们紧密地联系在一起,故能有效应对目标的形变;由于模型漂移仅会影响当前帧的实例模型,各个实例模型之间互相独立,故跟踪算法能够有效减轻模型漂移对鲁棒跟踪的影响。实验中,OTB 2013数据库和UAV 123数据库被用来验证该文算法,Deep SRDCF,Siamese-fc等算法作为对比算法,实验结果表明,该文算法不仅充分发挥了基于多实例回归模型进行跟踪的优势,在形变等属性上具有很好的性能,而且在整体性能上优于各类先进算法3%~5%。(本文来源于《电子与信息学报》期刊2018年05期）
张军磊[10]（2018）在《特征约束的多实例反投影图像超分辨率算法的研究》一文中研究指出图像超分辨率的最终目标就是从一幅或成组已知低分辨率图像中得到清晰的高分辨率图像。作为计算机图形图像处理领域中的一个基本操作,它被广泛应用在计算机医学,军事图像,虚拟现实和多媒体技术等多个领域[5]。由于需要从已知的低分辨率图像的像素群准确预测未知的高分辨率图像像素,所以在图像超分辨率领域,我们仍然还面临着许多的挑战与难题。在一幅图像中,边缘,纹理等像素变化强度大的高频区域信息能够很好地传达图像所呈现的大多数有效信息,因此如何保持高分辨率结果图像的这些高频区域信息一直是图像超分辨算法研究领域的热点和难点。传统的图像插值算法利用数学模型还原图像空间,由于其易运算,时间成本低等特性,被广泛应用在图像处理的多个实际生产生活场景。但这些经典的插值算法并不能很好地抑制高频信息的缺失,通常都会引起纹理信息的模糊以及边缘的锯齿效应。近些年来,基于实例学习的图像超分辨率算法逐渐变得流行起来。这种类型的算法是通过学习大量的已知实例对得到回归模型,来预测高分辨率图像的未知像素信息。相较于常见的图像插值放大算法,基于实例学习的算法虽然都具有更高的计算复杂度和时间成本,但是得到的最终超分辨图像却往往能保持更好的视觉效果,保留更多的图像特征和更多的图像细节信息。因此,本文考虑通过融合插值算法与基于多实例学习算法,首先利用一种简单且高效的插值算法获得初始化插值图像;同时,充分考虑同处于不同分辨率层次的图像块之间的相似性关系,利用图像自身相似块之间的学习,从而解决图像插值导致的高频信息丢失和细节模糊,从而获得更加清晰和精准的高分辨率图像。传统的基于多实例学习算法为了计算方便和节省时间成本,往往会选取较为简单的多项式插值算法来初始化高分辨率图像。但是,正如上文我们提到的那样,由于没有充分考虑图像的特征区域信息,这些传统的多项式插值算法总是会引起文理区域模糊和沿边缘方向的锯齿效应。高质量的初始化高分辨图像对最终的图像结果有着决定性的影响,因此,本文首先提出一种简单高效的特征约束多项式插值的算法来初始化高分辨率图像,作为整个图像处理过程中的初始化步骤,此后我们利用图像自身的相似性特性,训练学习模型,并利用该回归模型得到初始化高分辨图像过程中丢失的高频信息。最后我们利用迭代反投影算法作为全局的后处理手段,得到最终的高分辨率结果图像。在实验过程中,本文选择了部分医学图像和自然图像作为实验图像的样本,完成了大量的实验并与近些年来多个图像超分辨算法的结果图像做了对比。实验结果表明,对比于近些年来具有代表性的超分辨率算法,本文提出的算法能取得更好的视觉效果,尤其是在纹理和边缘等高频信息区域,保留了更完整的信息。在量化数据方面,本文提出的算法也较其他的算法有明显提升。(本文来源于《山东大学》期刊2018-04-20）
多实例论文开题报告
（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：
研究了一种基于压缩传感的实时目标跟踪算法。该算法结合多特征和压缩传感目标跟踪,增加随机测量矩阵提取多个特征用于检测,在跟踪时采用基于boosting的框架,利用多实例的正负样本包特性,提高置信区间估计,实现了实时的目标跟踪。实验结果及分析表明,本文方法在目标运动、姿态变化以及被部分遮挡的情况下,可在原压缩传感目标跟踪算法的基础上提高跟踪的可靠性;与传统的单一特征目标跟踪算法相比,由本方法提取的两种不同类型的特征具有互补性,使得跟踪的鲁棒性较好,能达到稳定、实时的跟踪效果。
（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。
多实例论文参考文献
[1].黄莉莉,陈冬林,林文健,姚梦迪.基于企业复杂需求的多实例组合云资源采购优化决策[J].数学的实践与认识.2019
[2].陈茜,狄岚,梁久祯.压缩传感目标跟踪在多实例中的应用[J].数据采集与处理.2019
[3].姜思羽.多标签及多实例数据的分类模型算法研究[D].华南理工大学.2019
[4].黄纬,张建德,温志萍,彭焕峰.高可用多实例虚拟网络功能链弹性部署策略[J].江苏科技大学学报(自然科学版).2018
[5].侯勇,张自军,郭有强.一种新颖的多实例集成学习算法[J].蚌埠学院学报.2018
[6].阳岳生,王冬丽,周彦.基于加权多实例学习的压缩感知目标跟踪[J].光学技术.2018
[7].张超,王萌,任女尔.基于activiti多实例任务回退方案的研究与实现[J].电脑知识与技术.2018
[8].易帆.基于实例过滤的多实例分类研究[D].华南理工大学.2018
[9].张园强,查宇飞,库涛,吴敏,毕笃彦.基于多实例回归模型的视觉跟踪算法研究[J].电子与信息学报.2018
[10].张军磊.特征约束的多实例反投影图像超分辨率算法的研究[D].山东大学.2018
论文知识图
