主页
2013-12-06：本研究室独立完成的1篇论文被神经计算领域知名国际期刊Neurocomputing接收
本研究室的1篇论文被Neurocomputing(IF_2012=1.634)接收：Wenxuan Xie, Zhiwu Lu, Yuxin Peng, and Jianguo Xiao, “Graph-based multimodal semi-supervised image classification”。祝贺谢文轩同学。
该论文针对多模态半监督图像分类任务中的文本标签信息不完善、监督信息过少、以及如何利用核方法等三个问题，提出了一种基于图的解决方案，包括文本标签优化、基于图的标签传递、以及基于核方法的支持向量回归等三个方法。具体地，文本标签优化能够利用图像特征相似度得到优化后的文本特征表示，基于图的标签传递能够在监督信息较少的情况下得到更为准确的训练集图像类别预测结果，而基于核方法的支持向量回归能够直接利用图像核矩阵得到测试集的图像类别预测结果。进一步，考虑到上述基于图的标签传递过程中涉及到多个图，该论文还提出了一种多图融合算法。实验结果表明，提出的多图融合算法能够取得比现有同类算法更好的效果，同时，将上述全部方法结合起来用于多模态半监督图像分类任务，能够取得比已有方法更好的效果。
该论文针对多模态半监督图像分类任务中的文本标签信息不完善、监督信息过少、以及如何利用核方法等三个问题，提出了一种基于图的解决方案，包括文本标签优化、基于图的标签传递、以及基于核方法的支持向量回归等三个方法。具体地，文本标签优化能够利用图像特征相似度得到优化后的文本特征表示，基于图的标签传递能够在监督信息较少的情况下得到更为准确的训练集图像类别预测结果，而基于核方法的支持向量回归能够直接利用图像核矩阵得到测试集的图像类别预测结果。进一步，考虑到上述基于图的标签传递过程中涉及到多个图，该论文还提出了一种多图融合算法。实验结果表明，提出的多图融合算法能够取得比现有同类算法更好的效果，同时，将上述全部方法结合起来用于多模态半监督图像分类任务，能够取得比已有方法更好的效果。