지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이상조
- 발행연도
- 2015
- 저작권
- 경북대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
This paper proposes a modified MI-SVMs algorithm by considering positive bag distribution. Previous MI-SVMs algorithm seeks the margin by considering the “most positive” instance in a positive bag. Positive instances included in positive bags are located on similar area in a feature space. In order to reflect this characteristic of positive instances to the algorithm, the proposed method selects the “most positive” instance by calculating a distance between each instance in the bag and a pivot point that is an intersection point of all positive bags. This paper suggests two way to choose the “most positive” pivot point in the training data. First, the algorithm seeks the “most positive” pivot point along to current predicted parameter and then selects the nearest instance in the bag as a representative from the pivot point. Second, the algorithm finds the “most positive” pivot point by using Diverse Density framework. Our experiments on 12 bench mark multi-instance data sets and COREL 20 categories datasets show that proposed method results in higher performance than the previous MI-SVMs algorithm.
목차
I. 서론 1II. 관련연구 52.1 다중 인스턴스 학습의 이해 52.2 다중 인스턴스 학습과 관련된 기존 연구 9III. 다중 인스턴스 서포트 벡터 머신을 이용한 가방 분류 133.1 최대 가방 마진 다중 인스턴스 서포트 벡터 머신 133.2 가방 간 분류를 위한 함수 정의 14IV. 다중 인스턴스 학습에서의 긍정 백 분포를 고려한 서포트 벡터 머신 164.1 기존 다중 인스턴스 서포트 벡터 머신 알고리즘 164.2 기존 다중 인스턴스 서포트 벡터 머신의 특징과 한계 184.3 긍정 백 분포를 고려한 다중 인스턴스 서포트 벡터 머신 184.3.1 긍정 대표들의 중심을 피벗 포인트로 설정하는 방법 194.3.2 긍정 가방의 중심을 피벗 포인트로 설정하는 방법 21V. 실험 및 평가 265.1 실험 데이터 265.2 성능 측정 295.3 실험 및 평가 30VI. 결론 및 향후연구 36참고 문헌 37영문 초록 40
최근 본 자료
댓글(0)
0