图像分类是计算机视觉与机器学习领域的一项重要任务，应用范围广泛。特征学习是图像分类的基础环节。图像本身的高变异性，使特征学习成为一个极具挑战性的问题。遗传规划（又称遗传编程）作为一种进化计算技术，能够通过自动演化计算机程序来解决各类复杂问题。本书系统阐述了如何整合图像算子、集成学习与代理模型等关键技术，以提升遗传规划算法在图像分类中的准确率及其计算效率。书中提出的方法已应用于多种图像分类任务中，并验证了模型的有效性与可解释性。
样章试读
目录
- 目录
“智能优化理论与应用丛书”序一
“智能优化理论与应用丛书”序二
前言
第1章 绪论 1
1.1 图像分类的挑战 3
1.2 为什么选择遗传规划 4
1.3 本书的目标、范围和适用性 7
1.4 本书的结构 8
参考文献 9
第2章 计算机视觉与机器学习 13
2.1 计算机视觉 13
2.1.1 图像分类 14
2.1.2 图像预处理 15
2.1.3 图像特征提取与描述 19
2.2 机器学习与分类 25
2.2.1 基础概念 25
2.2.2 分类 27
2.2.3 分类算法 30
2.2.4 集成学习 32
2.2.5 迁移学习 34
2.3 特征学习 35
2.3.1 特征选择 36
2.3.2 特征提取 36
2.3.3 特征构建 36
2.3.4 一个典型的用于分类的特征学习系统 36
2.4 卷积神经网络 37
2.4.1 网络架构 38
2.4.2 卷积层 40
2.4.3 池化层 40
2.4.4 全连接层 41
2.5 本章小结 41
参考文献 41
第3章 进化计算与遗传规划 47
3.1 进化计算 47
3.1.1 进化算法 48
3.1.2 群体智能算法 49
3.1.3 其他算法 51
3.2 遗传规划 52
3.2.1 个体表示 54
3.2.2 终端和函数 54
3.2.3 种群初始化 55
3.2.4 适应度评估 56
3.2.5 选择 56
3.2.6 遗传算子 56
3.3 强类型遗传规划 58
3.4 基于遗传规划的图像分类方法 59
3.4.1 基于预提取特征的遗传规划算法 60
3.4.2 基于原始像素/图像的遗传规划算法 61
3.4.3 基于进化神经网络的算法 64
3.4.4 解决其他任务的遗传规划特征学习方法 64
3.5 本章小结 65
参考文献 65
第4章 多层遗传规划解决二分类图像分类 71
4.1 引言 71
4.1.1 本章目标 73
4.1.2 本章组织结构 73
4.2 多层遗传规划方法 73
4.2.1 多层程序结构 73
4.2.2 终端集 75
4.2.3 函数集 75
4.2.4 适应度函数 77
4.2.5 多层遗传规划方法解决图像分类的总体流程 78
4.3 实验设置 78
4.3.1 基准数据集 78
4.3.2 对比方法 79
4.3.3 参数设置 80
4.4 结果与讨论 80
4.4.1 与基于遗传规划的方法对比 80
4.4.2 与非遗传规划方法对比 81
4.5 进一步分析 84
4.6 本章小结 85
参考文献 85
第5章 具有卷积算子的遗传规划实现进化深度学习 88
5.1 引言 88
5.1.1 本章目标 90
5.1.2 本章组织结构 90
5.2 具有卷积算子的遗传规划算法 90
5.2.1 程序结构 90
5.2.2 函数集 91
5.2.3 终端集 93
5.2.4 适应度评估 93
5.2.5 COGP方法图像分类总体流程 94
5.3 实验设计 94
5.3.1 数据集 94
5.3.2 对比方法 95
5.3.3 参数设置 96
5.4 结果与讨论 96
5.5 进一步分析 98
5.6 本章小结 99
参考文献 99
第6章 基于遗传规划和图像描述符的全局和局部特征学习方法 103
6.1 引言 103
6.1.1 本章目标 104
6.1.2 本章组织结构 104
6.2 带有图像描述符的遗传规划方法 104
6.2.1 算法程序结构 104
6.2.2 终端集 106
6.2.3 函数集 107
6.2.4 适应度评估 108
6.2.5 基于IDGP方法的图像分类整体流程 109
6.3 实验设计 110
6.3.1 数据集 111
6.3.2 对比方法 112
6.3.3 参数设置 113
6.4 结果与讨论 114
6.4.1 总体分类性能 115
6.4.2 与5种基于遗传规划方法的比较 116
6.4.3 与8种传统方法的比较 117
6.4.4 与3种基于卷积神经网络方法的比较 118
6.5 进一步分析 118
6.5.1 IDGP方法演化出来的程序 118
6.5.2 对特征提取函数的分析 121
6.6 本章小结 122
参考文献 122
第7章 具有多种图像算子的灵活遗传规划实现特征学习 126
7.1 引言 126
7.1.1 本章目标 127
7.1.2 本章组织结构 127
7.2 具有多种图像算子的灵活遗传规划方法 128
7.2.1 算法框架 128
7.2.2 灵活多层的程序结构 130
7.2.3 函数集 131
7.2.4 终端集 133
7.3 实验设计 134
7.3.1 数据集 134
7.3.2 对比方法 136
7.3.3 参数设置 137
7.3.4 测试过程 138
7.4 结果与讨论 138
7.4.1 在数据集1~5上的分类结果 138
7.4.2 在数据集6~12上的分类结果 140
7.5 进一步分析 142
7.5.1 特征数量分析 143
7.5.2 演化出的程序/解分析 143
7.5.3 最优程序中图像相关算子使用频率分析 146
7.5.4 特征可视化分析 147
7.6 本章小结 151
参考文献 151
第8章 特征和分类器集成联合学习的遗传规划方法 155
8.1 引言 155
8.1.1 本章目标 156
8.1.2 本章组织结构 157
8.2 特征和分类器集成联合学习的遗传规划方法 157
8.2.1 个体表示 158
8.2.2 函数集 160
8.2.3 终端集 162
8.2.4 整体算法 163
8.3 实验设计 165
8.3.1 数据集 165
8.3.2 对比方法 165
8.3.3 参数设置 166
8.4 结果与讨论 166
8.4.1 在数据集1~5上的分类结果 166
8.4.2 在数据集6~12上的分类结果 168
8.5 进一步分析 171
8.5.1 示例解的可视化展示 171
8.5.2 集成分类器的分类效果 172
8.6 本章小结 174
参考文献 175
第9章 随机森林辅助的遗传规划 178
9.1 引言 178
9.1.1 本章目标 179
9.1.2 本章组织结构 179
9.2 基线方法：FlexGP 180
9.3 代理模型辅助的FlexGP 180
9.3.1 代理模型训练数据构建 182
9.3.2 基于随机森林的代理模型 183
9.4 实验设计 184
9.4.1 数据集 184
9.4.2 对比方法 185
9.4.3 参数设置 185
9.5 RF-FlexGP方法的敏感性分析 186
9.5.1 代理模型性能评估指标 186
9.5.2 不同代理模型的近似性能 186
9.6 结果与讨论 188
9.6.1 分类结果 189
9.6.2 计算时间 191
9.6.3 收敛曲线 192
9.7 本章小结 193
参考文献 194
第10章 结论和未来研究方向 196
10.1 简要总结 196
10.2 主要研究方法 196
10.3 重要结论 198
10.3.1 遗传规划个体表示 198
10.3.2 适应度评估 199
10.3.3 可解释性 200
10.3.4 灵活性和泛化性 200
10.3.5 自动进化解决方案/自动模型学习 201
10.4 未来研究方向 201
10.4.1 基于新型遗传规划表示的特征学习方法 201
10.4.2 面向大规模数据的高效特征学习评估方法 202
10.4.3 集成学习 202
10.4.4 迁移学习 203
10.4.5 多目标特征学习 203
10.4.6 基于彩色图像的特征学习 203
10.4.7 基于遗传规划的少样本特征学习 203
10.4.8 基于遗传规划的可解释特征学习 204
10.4.9 基于图形处理器加速的强类型遗传规划实现 204
10.4.10 基于遗传规划的通用视觉特征学习 204
10.5 本章小结 204
参考文献 205
京公网安备 11010102004214号