本书首先讲解图像语义分析与MIL的基础知识、研究现状、应用领域与标准数据集；然后详细地剖析编者在MIL算法上的研究成果，每个算法分别组织成完整的一章，由算法引入、基本原理、算法步骤、流程图、matlab代码分析与对比试验结果等5个主体部分组成。通过理论学习和编程试验，读者不仅能够掌握MIL和图像语义分析的理论知识，而且能够掌握Matlab中的编程方法，达到理论与实践相结合的学习目的，从而培养读者的动手能力，激发读者的学习兴趣。

更多科学出版社服务，请扫码获取。

目录
前言
第1章 绪论1
1.1图像语义分析研究的背景1
1.2图像语义分析研究的意义3
1.3图像语义分析存在的问题与研究方向4
1.4本书的主要内容与创新点6
1.5本书的组织结构7
参考文献9
第2章 多示例学习算法研究现状及应用15
2.1多示例学习的起源15
2.2多示例学习与传统机器学习的区别17
2.3多示例学习的主要概念18
2.4多示例学习的主要算法20
2.4.1轴平行矩形算法20
2.4.2多样性密度算法21
2.4.3基于kNN的惰性多示例学习方法22
2.4.4基于支持向量机的多示例学习方法23
2.4.5半监督的MIL算法28
2.4.6其他的多示例学习算法29
2.5多示例学习的应用领域30
2.5.1基于内容的图像检索30
2.5.2目标识别30
2.5.3医疗图像辅助识别31
2.5.4文本分类31
2.5.5股票预测32
2.6MIL标准测试数据集32
2.6.1Musk数据集32
2.6.2Corel 2k数据集33
2.6.3SIVAL数据集33
2.7本章小结33
参考文献34
第3章 基于推土机距离的惰性多示例学习算法及应用39
3.1引言39
3.2多示例包的构造方法40
3.2.1JSEG图像分割40
3.2.2自适应JSEG图像分割41
3.2.3构造多示例包(特征提取)42
3.3Citation-kNN算法及其不足42
3.4推土机距离43
3.5基于自适应推土机距离的MIL算法与图像检索44
3.5.1自适应推土机距离44
3.5.2AEMD-CkNN算法步骤45
3.5.3图像检索试验结果与分析46
3.6基于区域权值调整推土机距离的MIL算法与图像分类48
3.6.1区域权值调整推土机距离48
3.6.2EMD-CkNN算法步骤50
3.6.3图像分类试验结果与分析50
3.7本章小结53
参考文献53
第4章 基于FSVM-MIL算法的对象图像检索55
4.1引言55
4.2基于模糊支持向量机的多示例学习算法55
4.2.1模糊支持向量机56
4.2.2模糊隶属度函数57
4.2.3FSVM-MIL算法步骤58
4.3试验结果与分析59
4.3.1试验方法59
4.3.2试验结果与效率分析60
4.4本章小结61
参考文献62
第5章 基于QPSO-MIL算法的图像标注63
5.1引言63
5.2基于区域的图像标注64
5.3图像标注问题的数学描述65
5.4图像标注与多示例学习65
5.5QPSO-MIL算法及步骤67
5.5.1量子粒子群优化算法67
5.5.2适应度函数设计67
5.5.3QPSO-MIL算法步骤68
5.6试验结果与分析69
5.6.1试验图像库69
5.6.2试验方法69
5.6.3试验结果与分析70
5.6.4算法效率分析72
5.7本章小结72
参考文献72
第6章 基于视觉空间投影的多示例学习算法与图像检索75
6.1引言75
6.2现有工作与不足77
6.3RSTSVM-MIL算法77
6.3.1视觉投影空间构造77
6.3.2视觉投影特征计算79
6.3.3RSTSVM-MIL算法步骤79
6.4试验结果与分析82
6.4.1图像库及试验方法82
6.4.2算法性能与K的关系82
6.4.3对比试验及分析83
6.5本章小结85
参考文献86
第7章 基于模糊潜在语义分析的多示例学习算法与图像分类88
7.1引言88
7.2FLSA-SSMIL算法89
7.2.1建立视觉词汇表89
7.2.2构造模糊“词-文档”矩阵90
7.2.3模糊潜在语义特征92
7.2.4FLSA-SSMIL算法步骤93
7.3试验结果与分析94
7.3.1药物活性预测94
7.3.2图像分类试验95
7.3.3算法效率99
7.4本章小结99
参考文献99
第8章 基于多示例学习的目标跟踪算法102
8.1引言102
8.2基于外观模型的跟踪算法103
8.2.1概述103
8.2.2分类104
8.2.3数据库109
8.2.4评价标准110
8.3基于多示例学习的跟踪算法原理110
8.3.1算法框架111
8.3.2在线多示例学习分类器112
8.3.3弱分类器构造113
8.4基于混合高斯模型和多示例学习的跟踪算法113
8.4.1算法概述114
8.4.2包中示例特征建模115
8.4.3训练弱分类器116
8.4.4构造强分类器117
8.4.5试验117
8.5本章小结122
参考文献122
第9章 基于多示例集成学习的色情图像识别126
9.1研究现状及趋势126
9.1.1色情图像识别研究现状126
9.1.2色情图像识别技术发展趋势127
9.2基于SSP多示例建模129
9.2.1多示例建模129
9.2.2基于稀疏编码的“元数据”提取133
9.3基于极限学习机的集成多示例学习算法135
9.3.1基于极限学习机的基分类器135
9.3.2ELMCE-MIL算法及步骤136
9.4试验结果与分析137
9.4.1实验图像与方法137
9.4.2多示例建模方法对比试验138
9.4.3试验结果与分析138
9.5本章小结140
参考文献141
第10章 多示例框架下的刑侦图像检索及实现144
10.1引言144
10.2基于多示例学习的刑侦图像检索146
10.2.1有重叠网格分块方法146
10.2.2分块视觉特征提取146
10.2.3基于推土机距离的多示例包相似度量149
10.2.4算法流程150
10.3MATLAB仿真程序150
10.3.1基于网格分块构造多示例包150
10.3.2相似检索MATLAB程序157
10.3.3使用方法159
10.4试验结果与分析159
10.5本章小结162
参考文献162
第11章 基于MIL的红外图像人脸识别及实现165
11.1引言165
11.2SIFT算法原理及描述子166
11.2.1关键点检测166
11.2.2关键点描述170
11.3基于MIL的红外人脸识别算法172
11.3.1MIL建模173
11.3.2LSA-MIL算法原理173
11.4MATLAB仿真程序178
11.4.1构造多示例包178
11.4.2计算潜在语义特征179
11.4.3训练与识别183
11.4.4使用方法185
11.5试验结果与分析186
11.5.1人脸库与试验方法186
11.5.2对比试验及分析187
11.6本章小结188
参考文献188
第12章 基于MIL的图像分类算法及实现190
12.1引言190
12.2基于MIL的图像分类算法原理191
12.2.1基于图像分割构造多示例包191
12.2.2计算多示例包的投影特征194
12.2.3投影特征分析195
12.2.4有监督学习求解MIL问题197
12.3MATLAB仿真程序198
12.3.1构造多示例包MATLAB程序199
12.3.2投影特征计算MATLAB程序203
12.3.3支持向量机训练与预测MATLAB程序205
12.3.4使用方法210
12.4试验方法与结果212
12.4.1试验图像库212
12.4.2试验结果212
12.5本章小结215
参考文献216
第13章 总结与展望218
13.1工作总结218
13.2进一步研究与展望219