极端学习机在立体图像质量客观评价中的应用
基于传统神经网络训练速度慢、易陷入局部极小值和泛化性能低等问题,提出采用极端学习机(ELM,extreme learning machine)对立体图像质量进行了客观评价.ELM是单隐层前馈神经网络(SLFNs)的泛化,输入权重可以随机赋值并通过解析获得输出权值.与传统神经网络算法相比,ELM算法具有参数选择简单、学习速度快及泛化性能好等优点.实验结果表明,以sigmoid为激励函数,对241幅不同等级的立体图像测试样本进行测试,其正确等级分类率达到93.85%.研究了不同激励函数条件下不同隐藏层节点数对极端学习机网络性能的影响,且将ELM和传统BP及支持向量机(SVM)在立体图像质量评价中的性能进行了分析比较.
极端学习机(ELM)、立体图像、支持向量机(SVM)、客观评价
25
TP391.4(计算技术、计算机技术)
国家高技术研究发展计划(863计划);国家高技术研究发展计划(863计划);国家自然科学基金
2014-10-29(万方平台首次上网日期,不代表论文的发表时间)
1837-1842