多分类主动学习方法在地表分类中的应用

论文摘要

移动机器人在野外环境的感知能力对其导航起着重要作用,其中地表分类是感知系统中的重要组成部分。机器学习方法在机器人感知领域中有着广泛的应用,然而传统的监督学习需要训练大量的标记样本,对野外环境采集到的庞大的图像数据进行标记,是很耗时费力的,代价也很大。本文通过引入主动学习机制来解决该问题。地表分类是一个多分类问题,第一种解决方法是直接将解决两类问题的算法扩展到多类问题中,第二种方法是将多类问题分解成多个两类问题。本文将主动学习和多分类方法结合起来解决地表分类问题。在generalized Bradley-Terry （GBT）模型的基础上,引入主动学习机制来解决多分类问题,实现了基于GBT模型的不确定性多分类主动学习算法。该算法中使用的多分类方法有“一对一”,“一对多”,"dense ECOC"和"sparse ECOC"四种分解方法,并用编码矩阵表示。最后,在模拟数据集和地表数据集上进行了主动学习和监督学习的对比实验,验证了在达到相同准确率时主动学习比监督学习需要更少的标记样本,从而降低了构建高性能分类器的代价。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题提出的背景及意义
• 1.2 课题研究现状
• 1.3 本文主要工作与结构安排
• 2 多分类方法综述
• 2.1 直接扩展到多类的算法
• 2.1.1 神经网络
• 2.1.2 决策树
• 2.1.3 朴素贝叶斯
• 2.1.4 支持向量机
• 2.2 分解方法
• 2.2.1 "一对多"方法
• 2.2.2 "一对一"方法
• 2.2.3 纠错输出编码法
• 2.2.4 层次方法
• 2.2.4.1 有向无环图（DAG）
• 2.2.4.2 有向二叉树
• 2.3 组合方式
• 2.4 其它方法
• 2.5 本章小结
• 3 主动学习
• 3.1 主动学习询问策略
• 3.1.1 基于不确定性（uncertainty）的方法
• 3.1.2 Query-By-Committee
• 3.1.3 Query-By-Bagging
• 3.1.4 基于误差缩减的方法
• 3.2 初始样本选择方法
• 3.3 本章小结
• 4 基于GBT模型的不确定性多分类主动学习算法
• 4.1 Generalized Bradley-Terry Model
• 4.2 多分类概率估计
• 4.3 实验与结果
• 4.3.1 基分类器的选择
• 4.3.1.1 支持向量机
• 4.3.1.2 分类器参数的选择
• 4.3.1.3 分类器性能评价方法
• 4.3.2 模拟数据实验
• 4.3.2.1 模拟数据
• 4.3.2.2 数据归一化处理
• 4.3.2.3 SVM多分类监督学习实验
• 4.3.2.4 SVM多分类主动学习实验
• 4.4 本章小结
• 5 地表数据实验
• 5.1 地表数据
• 5.2 特征提取
• 5.2.1 颜色特征
• 5.2.2 纹理特征
• 5.3 SVM多分类监督学习实验
• 5.4 SVM多分类主动学习实验
• 5.5 本章小结
• 6 总结
• 致谢
• 参考文献