Mobile visual searching method based on ascending extreme learning machine

Haiyang HU; Jun XU; Hua HU

doi:10.11959/j.issn.1000-0801.2016088

您当前的位置：

首页 >

文章列表页 >

Mobile visual searching method based on ascending extreme learning machine

research and development | 更新时间：2024-06-05

- Mobile visual searching method based on ascending extreme learning machine
- Telecommunication Science Vol. 32, Issue 4, Pages: 92-102(2016)
- 作者机构：
  
  1. 杭州电子科技大学计算机学院，浙江杭州 310018
  2. 杭州电子科技大学复杂系统建模与仿真教育部重点实验室，浙江杭州 310018
- 作者简介：
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2016088
  CLC： TP311
- Published Online：2016-04，
  
  Published：20 April 2016
- 稿件说明：
移动端阅览
Haiyang HU, Jun XU, Hua HU. Mobile visual searching method based on ascending extreme learning machine[J]. Telecommunication science, 2016, 32(4): 92-102.
DOI：

Haiyang HU, Jun XU, Hua HU. Mobile visual searching method based on ascending extreme learning machine[J]. Telecommunication science, 2016, 32(4): 92-102. DOI： 10.11959/j.issn.1000-0801.2016088.

摘要

计算机智能技术在图像领域已经得到广泛的应用。极限学习机（ELM）作为一种新兴技术，克服了其他传统智能技术所面临的一些问题，吸引了越来越多研究人员的关注。首先对ELM算法的性能进行了分析验证，并将其延伸到图像分类搜索上。在此基础上，提出了基本视觉搜索（BMVS）框架，将ELM运用到此框架服务器端，并进一步优化了ELM的分类性能。最后实验证明ELM在移动视觉搜索方面的可行性，并通过和支持向量机（SVM）的实验对比验证相关方法的高效性。

Abstract

Computer intelligence technology had been widely used in the field of image searching. Extreme learning machine has emerged as a new technology which overcomes the problems in traditional intelligent field and it has attracted more and more researchers. The algorithm performance of ELM was analyzed firstly，extending the method to image classification field. A basic mobile visual searching（BMVS）framework was proposed which applies ELM to image searching and optimizes the performance of ELM. Finally，the experiment proves the effectiveness of the method proposed by using ELM for the mobile vision searching. Through the experiments of comparison with SVM-based methods，the efficiency of the method proposed was also confirmed.

关键词

Keywords

references

段凌宇，黄铁军，高文 . 移动视觉搜索技术研究与标准化进展 [J ] . 信息通信技术， 2012 （ 6 ）： 51 - 58 .

DUAN L Y ， HUANG T J ， GAO W . Technical research and standardization in mobile visual search [J ] . Information and Communications Technologies ， 2012 （ 6 ）： 51 - 58

李向阳，庄越挺，潘云鹤 . 基于内容的图像检索技术与系统 [J ] . 计算机研究与发展， 2001 （ 3 ）， 38 （ 3 ）： 344 - 354 .

LI X Y ， ZHUANG Y T ， PAN Y H . The technique and systems of content-based image retrieval [J ] . Journal of Computer Research and Development ， 2001 ，（ 3 ）， 38 （ 3 ）： 344 - 354 .

GURNEY K . An introduction to neural networks [M ] . London ： UCL Press ， 1997 ： 20 - 25 .

HSU C W ， LIN C J . A comparison of methods for multiclass support vector machines [J ] . IEEE Transactions on Neural Networks ， 2002 ， 13 （ 2 ）： 415 - 425 .

HHUANG G B ， SIEW C K . Extreme learning machine：RBF network case [C ] // 2004 8th Conference on Control，Automation，Robotics and Vision Conference，December 6-9，2004，Kumming，China ， New Jersey ： IEEE Press ， 2004 （ 2 ）： 1029 - 1036 .

HUANG G B ， CHEN L . Convex incremental extreme learning machine [J ] . Neuro Computing ， 2007 （ 70 ）： 2056 - 2062 .

HUANG G B ， BABRI H A . Upper bounds on the number of hidden neurons in feedforward networks with arbitrary bounded nonlinear activation functions [J ] . IEEE Transactions on Neural Networks ， 1998 ， 9 （ 1 ）： 224 - 229 .

FUNG G ， MANGASARIAN O L . Proximal support vector machine classifiers [C ] // The 7th ACM Sigkdd International Conference on Knowledge Discovery ＆ Data Mining，August 26-29，2001，San Francisco，CA，USA ， New York ： ACM Press ， 2001 ： 77 - 86 .

HUANG G B ， WANG D H ， LAN Y . Extreme learning machines：a survey [J ] . International Journal of Machine Learning and Cybernetics ， 2011 ， 2 （ 2 ）： 107 - 122 .

HUANG G B ， ZHU Q Y ， SIEW C K . Extreme learning machine：a new learning scheme of feedforward neural networks [J ] . IEEE International Joint Conference ， 2004 （ 2 ）： 985 - 990 .

HUANG G B ， ZHU Q Y ， SIEW C K . Extreme learning machine：theory and applications [J ] . Neuro Computing ， 2005 （ 70 ）： 489 - 501 .

HUANG G B ， ZHOU H ， DING X ， et al . Extreme learning machine for regression and multi-class classification [J ] . IEEE Transactions on Pattern Anal Mach Intell ， 2012 ， 42 （ 2 ）： 513 - 529 .

HUANG G B ， CHEN L ， SIEW C K . Universal approximation using incremental constructive feedforward networks with random hidden nodes [J ] . IEEE Transactions on Neural Networks ， 2006 ， 17 （ 4 ）： 879 - 892 .

HUANG G B ， SIEW C K . Extreme learning machine with randomly assigned RBF kernels [J ] . International Journal of Information Technology ， 2005 ， 11 （ 1 ）： 16 - 24 .

HALL M A ， SMITH L A . Feature selection for machine learning：Comparing a correlation-based filter approach to the wrapper [C ] // The 20th International Florida Artificial Intelligence Research Society Conference，May 1-5，1999，Orlando，Florida，USA ， California ： AAAI Press ， 1999 ： 235 - 239 .

PRICE A L ， PATTERSON N J ， PLENGE R M ， et al . Principal components analysis corrects for stratification in genome-wide association studies [J ] . Nature Genetics ， 2006 ， 38 （ 8 ）： 904 - 909 .

HOLTEN D ， WIJK V J J ， MARTENS J B . A perceptually based spectral model for isotropic textures [J ] . ACM Transactions on Applied Perception ， 2006 ， 3 （ 4 ）： 376 - 398 .

Views

568

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Android malware detection method based on byte-code image and deep learning

A feature selection method based on instance learning and cooperative subset search

Related Author

Tieming CHEN

Binbin XIANG

Mingqi LV

Bo CHEN

Xie JIANG

Xiaoyuan XU

Li HUANG

Related Institution

College of Information and Mechanical Engineering,Jiangsu Open University

College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics

⁰