基于多核学习的GIST全局和SIFT局部特征融合遥感图像检索方法.pdf

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题，提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络（FCNN），预测待处理图像的初步显著性区域；然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机（SVM）分类器的学习样本集，选择并提取八种典型特征代表对应样本训练SVM；接着通过多核SVM分类器预测各超像素显著值；最后融合初步显著图和多核学习显著图，改善FCNN网络输出图的不足，得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值，综合性能均优于对比方法，验证了该方法在显著性检测中准确性的提高，为目标识别、机器视觉等应用提供更可靠的预处理结果。

matlab调整代码大小写描述 这是一种算法，它通过与跨度边界交替优化来调整深层多内核网络。 这是尝试将深度学习扩展到较小的样本量。 该算法在Strobl EV（Visweswaran S.深度多核学习）中进行了详细描述。 ICMLA，2013年。 代码 首先，请安装MATLAB版本的LIBSVM（）。 然后，下载此处上传的整个软件包（包括实用程序功能）。 主要方法 deepMKL_train.m-训练网络。 每层都有一个RBF，poly2，poly3和线性核。 如果跨度增加，则学习率可能会太高。 默认值在许多情况下都适用，但是可能需要进行一些调整。 deepMKL_test.m-测试网络

多核学习

多核学习方法的一个调研，作为一个提纲挈领的文档，非常值得一读，尤其适合正在学习SVM，SVR的哦鞥有

为更好发现数据中的复杂规律, 避免核函数选择的盲目性和局部最优等非线性优化问题, 本文提出一种基于改进灰狼算法优化多核支持向量回归机算法. 首先, 基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型; 其次, 利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化; 最后, 应用灰色关联分析理论确定采油速度影响因素集, 并作为多核支持向量回归机预测模型的输入. 与6种采油速度预测方法进行对比, 所提方法具有较好的全局寻优能力和较高的预测率的优点.

多核学习的一个工具箱，可以通过该工具箱了解多核学习的思想。

数据融合matlab代码无监督多核学习 这是一种用于降低维数的无监督多核学习（U-MKL）的实现，它基于Lin等人（）的有监督MKL技术。 通过结合基于特征的内核，它可以最佳地融合异构信息并加权每个输入对最终结果的贡献。 U-MKL处理异构描述符，并将其复杂性降低为简化的低维表示，从而突出了输入数据的主要特征。 可以在Sanchez-Martinez等人的文章中找到更多信息。 （） 引文 使用此代码（或修改版本）的已发表研究报告可能会引用以下文章，该文章描述了用于降维的多核学习方法： 林Y.刘T.和C.Fuh。 多核学习以减少维数。 IEEE Transactions on Pattern Analysis and Machine Intelligence，33：1147–1160，2011年。 当前的MATLAB实现在以下内容中有详细介绍： S. Sanchez-Martinez，N。Duchateau，T。Erdei，AG Fraser，BH Bijnens和G. Piella。 通过无监督的多核学习来表征心肌运动模式。 医学图像分析，35：70-82，2017。 数据库 合成的左

SMO-MKL(基于SMO的多核学习算法)，内有可执行程序以及源代码，欢迎下载

多核学习代码