基于AdaBoost算法的图像自动标注

把图像的自动标注过程转化为图像分类的过程,首先按照视觉特征对图像进行分割,提取训练图像每个区域的底层特征信息,构成训练集;然后采用AdaBoost集成分类算法,建立相应特征区域与类标签值的对应关系;再利用训练集中的分类模型对待标注区域进行分类,得到各个区域的类标签值,实现图像的自动标注.基于Corel-5k数据集的实验表明,相比其它经典算法,AdaBoost集成算法提高了运算速度,且能保持稳定的分类精度,在图像标注方面有良好的应用.     

基于种群密度的鲁棒多目标优化算法

为消除由于设计参数或环境因子扰动对多目标优化问题带来的影响,提出基于t分布构建有效目标函数,并在传统Pareto最优解评估策略基础上,一方面用种群在空间的分布密度替换NSGA2算法中基于距离的拥挤排序策略以维护外部档案;另一方面,引入基于种群分布密度的全局最优解概率选择策略和基于拉丁超立方的局部采样方法.实验结果表明,该算法能有效求解多目标问题的鲁棒Pareto最优解.