针对基于单图的半监督学习( GSSL)算法的性能受单个图质量的影V向,且在单视图数据下,大多数基于多图的CSSL算法难以使用的问题,提出了一种基于多图的交替优化图直推方法(MC-GTAM)。首先,使用不同的图构建参数来构建单视图数据下的多个图,利用多个图来表达数据间关系;然后,借助交替迭代方式综合多个图的信息,选择置信度高的未标记样本进行伪标记并通过权重权衡各图的重要程度,以优化多图上的预测函数的一致性和平滑性;最后通过组合每个图的预测函数完成对所有未标记样本的标记。仿真实验表明,与经典的局部和全局一致( LGC)、高斯随机场和调和函数(GFHF)、交替优化直推(GTAM)、组合图拉普拉斯(CGL)算法相比,在COIL20目标物体数据集和NEC Animal数据集上,MC-GTAM的分类错误率比这些经典算法均有下降,表明了该方法具有良好的性能。实验结果表明,MC-GTAM能有效地利用多个图来表达数据之间的关系,获得更低的分类错误率。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !