摘要：目前度量学习方法通过有限样本数据学习得到新度量后，采用简单的分类器（如直接欧式距离计算）通常不能达到最佳分类效果．SVM作为一种经典的分类器，具有优秀的线性和非线性分类能力，可以弥补距离度量学习方法的不足．对此，提出一种应用于图像匹配的融合距离度量学习和SVM的（DML-SVM）算法．首先，利用度量学习方法得到的线性变换矩阵，将样本变换到新的特征空间，降低特征各维度之间的相关性，调整特征各维度的权重；然后通过SVM对新特征进行线性或非线性分类．通过在L刚，Pubfig，Toycars三个图像数据库上的测试结果表明：融合方法的分类能力优于度量学习和SVM算法各自单独使用时的性能，且融合算法对训练样本数量具有很强的鲁棒性，即使只有少量训练样本（180个）时，融合算法仍然能具有较高的分类能力．

原文链接:http://www.cqvip.com//QK/95659X/201506/664898064.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）