基于混合Hausdorff距离的多示例学习近邻分类器

摘要：通过对最小和最大Hausdorff距离的分析，提出混合Hausdorff距离将它们融合在一起以弥补任意单一Hausdorff距离的缺陷，并基于混合Hausdorff距离设计多示例学习近邻分类器。采用近邻分量分析模型能够优化混合Hausdorff距离中的权系数，从而得到在近邻分类准则下最优的混合Hausdorff距离。结果表明：相对于任意单一Hausdorff距离，基于混合Hausdorff距离的多示例学习近邻分类器通常能够获得更高的识别精度。