一種基于三支決策SVM 分類(lèi)的圖像識(shí)別方法

邵帥

（重慶市地理信息中心，重慶401147）

0 引言

圖像識(shí)別（Image Recognition）的定義是利用計(jì)算機(jī)對(duì)原始圖像進(jìn)行處理、分析和理解，達(dá)到識(shí)別各種不同的目標(biāo)和對(duì)象目的的技術(shù)。從70 年代開(kāi)始基于內(nèi)容的圖像識(shí)別技術(shù)便成為一個(gè)非?；钴S的研究領(lǐng)域，其推動(dòng)力來(lái)源于兩大研究方向[1]：數(shù)據(jù)庫(kù)系統(tǒng)和計(jì)算機(jī)視覺(jué)?；谥悄芑?、多媒體數(shù)據(jù)挖掘的一個(gè)重要分支是關(guān)于內(nèi)容的圖像識(shí)別技術(shù)，而圖像識(shí)別經(jīng)歷了文字識(shí)別、數(shù)字識(shí)別和物體識(shí)別三個(gè)階段，每一個(gè)階段代表了一項(xiàng)新的智能技術(shù)的產(chǎn)生。最開(kāi)始的圖像識(shí)別研究主要集中在全局特征和相似度度量的方法對(duì)圖像的全局進(jìn)行描述，達(dá)到圖像理解的效果。由于計(jì)算機(jī)人工智能技術(shù)和大數(shù)據(jù)計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展的不成熟，所以使得圖像識(shí)別的發(fā)展受到限制。因?yàn)閳D像識(shí)別一般采用全局的圖像特征，所以這類(lèi)方法僅對(duì)圖像信息簡(jiǎn)單或背景較為單一的圖像有效，基于此，圖像識(shí)別的相關(guān)反饋技術(shù)成了當(dāng)前研究的一個(gè)熱點(diǎn)。圖像信息反饋技術(shù)會(huì)根據(jù)用戶(hù)的需求實(shí)時(shí)調(diào)整需要檢索的特征和相應(yīng)算法，盡可能降低高層語(yǔ)義和低層特征之間差異帶來(lái)的影響。目前計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)還不能達(dá)到對(duì)目標(biāo)進(jìn)行高效識(shí)別的水準(zhǔn)，導(dǎo)致了描述對(duì)象層語(yǔ)義和抽象層語(yǔ)義比較困難，因此現(xiàn)在對(duì)于圖像語(yǔ)義特征的研究集中在語(yǔ)義特征模型的第一層，即特征語(yǔ)義層[2]。因?yàn)楹?jiǎn)單語(yǔ)義特征的提取與分析是利用復(fù)雜語(yǔ)義信息的基礎(chǔ)，而計(jì)算機(jī)對(duì)圖像內(nèi)容的理解一般指圖像的低層視覺(jué)特征，如顏色、紋理、形狀等；而實(shí)際上，人類(lèi)對(duì)圖像的理解即圖像語(yǔ)義信息表達(dá)的內(nèi)容要遠(yuǎn)遠(yuǎn)多于圖像的視覺(jué)特征。這種從圖像低層視覺(jué)特征與圖像高層語(yǔ)義特征之間存在著的較大差距，即“語(yǔ)義鴻溝”[2-3]。綜上所述，現(xiàn)在一般的圖像識(shí)別方法都是基于圖像的低層語(yǔ)義進(jìn)行研究的，由于計(jì)算機(jī)自身性能的問(wèn)題，只能程序化的執(zhí)行單一的操作指令，導(dǎo)致一般方法對(duì)圖像的識(shí)別率低，而如何提高圖像識(shí)別率，理解圖像深層語(yǔ)義成了現(xiàn)在亟待解決的研究方向。

三支決策理論（Three-Way Decision Method），是姚一豫等人在粗糙集和決策粗糙集基礎(chǔ)上提出的新的決策理論。2012 年10 月召開(kāi)的中國(guó)粗糙集與軟計(jì)算會(huì)議上，姚一豫教授系統(tǒng)地介紹了三支決策理論的背景、框架、模型及應(yīng)用?！叭Q策理論與應(yīng)用”標(biāo)志著三支決策由粗糙集的三個(gè)區(qū)間的語(yǔ)義解釋逐步發(fā)展為一種不確定或不完整信息條件下的決策理論[4]。三支決策具有非常強(qiáng)的普適性，能廣泛的應(yīng)用與不同的學(xué)科和領(lǐng)域。之前，對(duì)于三支決策的研究主要集中于靜態(tài)決策問(wèn)題[5]。然而現(xiàn)實(shí)問(wèn)題中，初始階段的有效信息往往是不足的，人們對(duì)決策對(duì)象的認(rèn)識(shí)具有模糊性，無(wú)法做出準(zhǔn)確判斷；隨著信息的更新和補(bǔ)充，人們的認(rèn)識(shí)達(dá)到更精準(zhǔn)，做出更準(zhǔn)確的判斷；最終，信息充分，人們給出準(zhǔn)確判斷。目前，三支決策理論應(yīng)用于解決復(fù)雜問(wèn)題和計(jì)算機(jī)模擬人類(lèi)思維的方法中，現(xiàn)在很多學(xué)者在研究將三支決策與粒計(jì)算相結(jié)合。目前大部分學(xué)者將圖像識(shí)別研究的重點(diǎn)集中在圖像內(nèi)容的描述上（低層信息），而對(duì)分類(lèi)器進(jìn)行融合以提高提高分類(lèi)性能的方法仍然較少。由于圖像自身內(nèi)容的復(fù)雜性（高層語(yǔ)義），圖像分類(lèi)任務(wù)十分困難，而三支決策一般用于模糊信息決策問(wèn)題，能有效地分類(lèi)出圖像中的模糊信息，以期達(dá)到提高圖像識(shí)別率的目的。本文提出了一種基于三支決策的圖像識(shí)別算法，改進(jìn)了圖像分類(lèi)器算法，有效地識(shí)別了圖像的有效信息，提高了圖像精度的準(zhǔn)確率。

1 相關(guān)理論

圖像識(shí)別技術(shù)本質(zhì)上來(lái)講是對(duì)圖像特征的提取，首先將處理后的圖像進(jìn)行分類(lèi)，并對(duì)其確定類(lèi)別名稱(chēng)；然后對(duì)需要提取的圖像特征進(jìn)行參數(shù)測(cè)量，并提取此類(lèi)特征；最后根據(jù)測(cè)量結(jié)果分類(lèi)。為了提高圖像識(shí)別的準(zhǔn)確率，還需要對(duì)圖像結(jié)構(gòu)進(jìn)行分析，得到圖像的主要信息，以便對(duì)圖像進(jìn)行解釋和理解，在此基礎(chǔ)上，通過(guò)對(duì)圖像的多個(gè)對(duì)象之間的相互連接的結(jié)構(gòu)進(jìn)行分析，對(duì)圖像加深理解，使識(shí)別率更高。因此，圖像識(shí)別是通過(guò)上述過(guò)程將圖像特征分割到各個(gè)部分中，再找出其中的形狀、紋理等特征，即特征抽取，再對(duì)圖像進(jìn)行分類(lèi)，最后將圖像的結(jié)構(gòu)做整體上的分析。

現(xiàn)在主流的圖像識(shí)別流程包含預(yù)處理、圖像分割、圖像特征提取、圖像分類(lèi)這幾個(gè)部分，如圖1 所示。

圖1 圖像識(shí)別流程

像識(shí)別技術(shù)主要分為圖像輸入、圖像處理、圖像識(shí)別、識(shí)別結(jié)果這幾個(gè)步驟。當(dāng)前的圖像識(shí)別技術(shù)主要是提取圖像的特征信息，然后通過(guò)分類(lèi)、聚類(lèi)等方法將圖像信息進(jìn)行處理，然后對(duì)這些信息進(jìn)行識(shí)別。傳統(tǒng)的圖像識(shí)別總是把目標(biāo)集中在圖像輪廓或輪廓方向改變較大的地方，從理論上講，這些地方信息量最大且符合人類(lèi)眼動(dòng)規(guī)律。但是人類(lèi)識(shí)別圖像的處理過(guò)程往往要通過(guò)更多的步驟，想要模擬人類(lèi)處理圖像的模式，需要把圖像分割成幾個(gè)組塊：已認(rèn)知的組塊、未認(rèn)知的組塊、待認(rèn)知的組塊。為了提高圖像識(shí)別的準(zhǔn)確率，需要將待認(rèn)知的組塊和已有認(rèn)知進(jìn)行匹配，最終得到相似度最高的組塊集合。

三支決策是近幾年發(fā)展起來(lái)的一種處理不確定性決策的方法，是一種復(fù)合人類(lèi)認(rèn)知的“三分而治”（Trisecting and Acting）模型[6]。三支決策是一種基于符合人類(lèi)認(rèn)知的決策模式[6,12]，三支決策理論提出：人類(lèi)的決策過(guò)程中，會(huì)對(duì)有充分把握的事物立即做出相應(yīng)判斷（接受或拒絕）；而對(duì)于那些不能當(dāng)場(chǎng)做出決定的決策，人們一般會(huì)采取保留意見(jiàn)的態(tài)度，等條件合適或依據(jù)充足之后再做決定，即延遲決策[6]。在更多的實(shí)際決策過(guò)程中，存在決策環(huán)境的復(fù)雜性，信息獲取的不完備性，群決策中各專(zhuān)家意見(jiàn)不一致性[7]，決策者所具備知識(shí)的有限性和思維模糊性等不確定情況，決策者在大多數(shù)情況下很難準(zhǔn)確地給出損失函數(shù)的具體取值。一般來(lái)說(shuō)，不確定的含義很廣泛，主要包括隨機(jī)性、模糊性、不完全性、不穩(wěn)定性和不一致性等方面[8]。通常而言，三支決策分為兩種模式：基于雙評(píng)價(jià)函數(shù)的三支決策和基于單評(píng)價(jià)函數(shù)的三支決策[12]。

定義1：基于雙評(píng)價(jià)函數(shù)的三支決策[6]

第一種模式給定雙評(píng)價(jià)函數(shù)νa和νr，其中νa用于接受，νr用于拒絕。在接受和拒絕函數(shù)上各引入一個(gè)γa和γr稱(chēng)為接受閾值和拒絕閾值，≥表示全序關(guān)系，則三支決策的三個(gè)域由以下規(guī)則給出：

正域：POS(γa,γr)(νa,νr)={x ∈?|νa(x)≥γa∧νr(x)?γr}；

負(fù)域：NEG(γa,γr)(νa,νr)={x ∈?|νa(x)?γa∧νr(x)≥γr}；

邊界域：

BND(γa,γr)(νa,νr)=(POS(γa,γr)(νa,νr)?NEG(γa,γr)(νa,νr))c。

通過(guò)三個(gè)域構(gòu)造三支決策規(guī)則[2]：正域?qū)?yīng)接受，負(fù)域?qū)?yīng)拒絕，邊界域?qū)?yīng)延遲決策，如圖2（a）所示。

定義2：基于單評(píng)價(jià)函數(shù)的三支決策[6]

若引入一對(duì)閾值（α,β），則將實(shí)體集合U 分為一下三個(gè)部分：

圖2 基于三支決策的評(píng)價(jià)函數(shù)

正域：POS(α,β)={x ∈?|v(x)≥α}；

負(fù)域：NEG(α,β)={x ∈?|v(x)≤β}；

邊界域：BND(α,β)={x ∈?|β ?v(x)?α}。

同理，這三個(gè)域構(gòu)成三支決策的三個(gè)規(guī)則，如圖2（b）所示。

公理1：知識(shí)越多，三支決策越明確[13]。

已知的信息越充分，接受和拒絕決策的可能性越大，不承諾的可能性越小；已知信息越少，接受和拒絕的可能性越小，不承諾的可能性就越大。對(duì)集合的特征提取越多，能確定的相同或相反的屬性越多，相異屬性越少，聯(lián)系度的量化更精確；特征提取越少，能確定的相同或相反的屬性越少，相異屬性越多，聯(lián)系度的量化更粗糙。

2 基于SVM圖像識(shí)別中的三支決策

提高圖像識(shí)別的準(zhǔn)確率一直是圖像信息領(lǐng)域的一個(gè)難點(diǎn)，一般來(lái)說(shuō)，圖像識(shí)別的研究集中于圖像的低層視覺(jué)特征，這導(dǎo)致了圖像識(shí)別的算法比較單一，研究者們也會(huì)把研究重點(diǎn)集中在低層視覺(jué)中的特征點(diǎn)上，容易導(dǎo)致圖像中的有用信息量識(shí)別不夠完全，從而降低了圖像識(shí)別率。本文提出了一種基于三支決策的圖像識(shí)別方法，更大程度上利用了圖像中的有用信息量，使圖像識(shí)別更精確。

2.1 存在的主要問(wèn)題

（1）圖像分割時(shí)因規(guī)則分割導(dǎo)致目標(biāo)被分配到不同子模塊中

目前大部分學(xué)者將圖像識(shí)別的分類(lèi)研究重點(diǎn)集中在圖像內(nèi)容描述上，重點(diǎn)集中在低層，如顏色、紋理、形狀等，而實(shí)際上，人類(lèi)對(duì)圖像的理解即圖像語(yǔ)義信息表達(dá)的內(nèi)容要遠(yuǎn)多于圖像的視覺(jué)特征?，F(xiàn)有圖像分割時(shí)因規(guī)則分割導(dǎo)致目標(biāo)被分配到不同子模塊中，從而使分類(lèi)時(shí)產(chǎn)生誤差，不同的圖像子塊被分到不同的區(qū)域，影響圖像識(shí)別準(zhǔn)確率?，F(xiàn)有的圖像識(shí)別方法通常是分析圖像特征信息、改進(jìn)識(shí)別算法等方法來(lái)提高圖像識(shí)別的準(zhǔn)確率，很少有方法對(duì)分類(lèi)器進(jìn)行改進(jìn)和融合。由于圖像信息的負(fù)載性，導(dǎo)致了圖像分割、分類(lèi)困難，圖像語(yǔ)義的分類(lèi)現(xiàn)在還是圖像識(shí)別過(guò)程中最重要的問(wèn)題。

（2）自適應(yīng)性差

自適應(yīng)性差是當(dāng)前圖像識(shí)別技術(shù)存在的重要缺陷，因此，需要識(shí)別的圖像存在噪聲污染、圖像缺陷、信息損失等情況，就往往得不到理想的效果。文獻(xiàn)[5]提出，現(xiàn)代圖像識(shí)別技術(shù)受限于圖像本身的因素，如采集的器械，以及采集時(shí)的噪聲污染，圖像存儲(chǔ)、傳輸過(guò)程同樣也會(huì)導(dǎo)致的圖像信息的缺失。因?yàn)檫@些信息的缺失大多是不可避免的，所以導(dǎo)致圖像識(shí)別過(guò)程中產(chǎn)生的誤差。

2.2 圖像識(shí)別中的三支決策

針對(duì)以上問(wèn)題，本文提出了一種基于三支決策SVM 分類(lèi)的圖像識(shí)別方法，該方法即利用了SVM 分類(lèi)器的原理，又采用了三支決策處理模糊信息的機(jī)制，對(duì)于圖像分割中不同子塊中不確定部分會(huì)進(jìn)行再次判斷，從而降低因?yàn)槟：卣餍畔⒍醋R(shí)別的可能性。由于該方法是通過(guò)不斷增加分類(lèi)器的判定條件來(lái)分割圖像，所以不同子塊中的圖像會(huì)在不斷的迭代過(guò)程中劃分到同一子塊中，有效避免了傳統(tǒng)方法中出現(xiàn)的問(wèn)題。而三支決策分類(lèi)器每次增加的判定條件又是來(lái)自于對(duì)已有條件的篩選后的信息，所以每次增加的信息能根據(jù)當(dāng)前圖像的自身屬性，不斷調(diào)整分割區(qū)域，進(jìn)而達(dá)到準(zhǔn)確識(shí)別的目的。

2.3 技術(shù)路線(xiàn)

針對(duì)圖像識(shí)別研究重點(diǎn)集中于低層視覺(jué)特征這個(gè)問(wèn)題，本文對(duì)傳統(tǒng)的識(shí)別方法進(jìn)行改進(jìn)，使用高效的圖像分割方法，使圖像不會(huì)因?yàn)橥荒繕?biāo)分到不同子塊，從而提高識(shí)別率。本文融合多特征、分割、檢測(cè)、多分類(lèi)器等方法，對(duì)樣本圖像進(jìn)行深度學(xué)習(xí)訓(xùn)練，在減少圖像損耗的同時(shí)，分割出目標(biāo)區(qū)域，并對(duì)其進(jìn)行再訓(xùn)練。本文使用的復(fù)合型SVM 識(shí)別器是基于SVM 識(shí)別的改進(jìn)版，通過(guò)融合分割等多類(lèi)方法進(jìn)行最終的檢測(cè)識(shí)別，提高圖像識(shí)別率。

針對(duì)一般方法識(shí)別率低的問(wèn)題，本文提出基于三支決策的圖像識(shí)別方法。根據(jù)人類(lèi)認(rèn)知事物的特性，采用三支決策的方法，由于三支決策獨(dú)特的延遲決策特性，在最初的判定條件中不斷地加入新的判定信息進(jìn)行決策的條件判斷，所以分類(lèi)器每次分類(lèi)完成后會(huì)把已經(jīng)劃分的正、負(fù)區(qū)域作為新的訓(xùn)練集進(jìn)行再次訓(xùn)練，形成新的判定條件加入到延遲決策的區(qū)域，直到延遲決策的區(qū)域不可再分，最后進(jìn)行圖像識(shí)別。如公理1所說(shuō)，每次訓(xùn)練會(huì)加入新的決策條件，使三支決策分類(lèi)器的分類(lèi)結(jié)果越明確，延遲決策的部分越來(lái)越小，直到達(dá)到某一臨界值，最后進(jìn)行圖像識(shí)別達(dá)到理想的結(jié)果。

3 基于三支決策的SVM分類(lèi)圖像識(shí)別算法

對(duì)應(yīng)三支決策，我們分別用α、β 和ξ 分別表示接受、拒絕和不承諾。假設(shè)評(píng)價(jià)函數(shù)定義為Pr(X|[x])，風(fēng)險(xiǎn)函數(shù)為R(Δ|x)，其中Δ 表示對(duì)x 的決策動(dòng)作，基于表1 給出的代價(jià)矩陣，兩狀態(tài)可以得到以下風(fēng)險(xiǎn)估計(jì)：

接受風(fēng)險(xiǎn)：R(α|x)=λαp?Pβ(X|[x])+(1-Pβ(X|[x]))；

拒絕風(fēng)險(xiǎn)：R(β|x)=λβp?Pβ(X|[x])+(1-Pβ(X|[x]))；

不承諾風(fēng)險(xiǎn)：R(ξ|x)=λξp?Pβ(X|[x])+(1-Pβ(X|[x]))。

在決策問(wèn)題中，基于風(fēng)險(xiǎn)函數(shù)，選擇其中風(fēng)險(xiǎn)最小的決策動(dòng)作：

當(dāng)滿(mǎn)足條件R(α|x)≤R(r|x)∧R(α|x)≤R(n|x)時(shí)，選擇接受；當(dāng)滿(mǎn)足條件R(r|x)≤R(α|x)∧R(r|x)≤R(n|x)時(shí)，選擇拒絕；當(dāng)滿(mǎn)足條件R(n|x)≤R(α|x)∧R(n|x)≤R(r|x)時(shí)，選擇不承諾。

假設(shè)風(fēng)險(xiǎn)函數(shù)滿(mǎn)足下面條件：

將R(α|x),R(r|x),R(n|x)代入上面三個(gè)不等式，可以得到以下結(jié)果：

如果Pr(X|[x])≥α，選擇接受；如果Pr(X|[x])≤β，選擇拒絕；如果β

表1 兩種狀態(tài)決策問(wèn)題代價(jià)矩陣

基于以上理論本文提出以下算法，算法1 為基于三支決策的圖像分割算法，主要目的是把圖像分割為三個(gè)部分，為算法2 的識(shí)別做前期工作。算法2 為基于三支決策的識(shí)別算法，在算法1 的基礎(chǔ)上，對(duì)圖像分割出的部分進(jìn)行識(shí)別操作。

算法1：基于三支決策的圖像分割算法

Input：訓(xùn)練數(shù)據(jù)集ψ

Output：圖像正、負(fù)、延遲決策區(qū)域P、N、B

Start

Step1：輸入圖像集ψ。

Step3：算出最優(yōu)值：

Step4：延遲決策部分為β<ξ<α。

Step5：根據(jù)α，β，ξ 把圖像分為正、負(fù)、延遲決策區(qū)域（P,N,B）。

Step6：對(duì)延遲決策區(qū)域重復(fù)執(zhí)行Step2 到Step5 過(guò)程，重復(fù)ω 次。

End

算法2：基于三支決策的圖像識(shí)別算法

Input：待識(shí)別圖像C

Output：識(shí)別結(jié)果

Start

Step1：輸入圖像C。

Step2：使用算法1 中所訓(xùn)練好的分類(lèi)器把圖像分為三類(lèi)。

Step4：對(duì)于達(dá)到部分使用復(fù)合型SVM 進(jìn)行識(shí)別。

Step5：輸出識(shí)別結(jié)果。

End

4 實(shí)驗(yàn)與分析

Cifar-10 數(shù)據(jù)集包含60000 個(gè)32×32 的彩色圖像，共有10 類(lèi)。有50000 個(gè)訓(xùn)練圖像和10000 個(gè)測(cè)試圖像。數(shù)據(jù)集分為5 個(gè)訓(xùn)練塊和1 個(gè)測(cè)試塊，每個(gè)塊有10000 個(gè)圖像。測(cè)試塊包含從每類(lèi)隨機(jī)選擇的1000 個(gè)圖像。訓(xùn)練塊以隨機(jī)的順序包含這些圖像，但一些訓(xùn)練塊可能比其他類(lèi)包含更多的圖像。訓(xùn)練塊每類(lèi)包含5000 個(gè)圖像。原始數(shù)據(jù)集都為單目標(biāo)圖像，為了驗(yàn)證三支決策分類(lèi)器的準(zhǔn)確率，本實(shí)驗(yàn)中把原始數(shù)據(jù)集中的4 張圖像合成一張，即每個(gè)測(cè)試項(xiàng)有4 個(gè)待識(shí)別目標(biāo)。

實(shí)驗(yàn)步驟：

Step1：輸入數(shù)據(jù)集中一張圖片。

Step2：用已訓(xùn)練好的三支分類(lèi)器進(jìn)行相似度匹配分類(lèi)，把現(xiàn)有圖像分為三個(gè)區(qū)域，即正樣本區(qū)域、負(fù)樣本區(qū)域和延遲決策區(qū)域。

Step3：判斷正樣本區(qū)域是否已經(jīng)達(dá)到識(shí)別的臨界值n，如果未達(dá)到就把該區(qū)域作為新的訓(xùn)練樣本和負(fù)樣本區(qū)域一起進(jìn)行再次訓(xùn)練。

Step4：直到正樣本區(qū)域達(dá)到臨界值n，使用復(fù)合型SVM 識(shí)別器識(shí)別改區(qū)域。

Step5：輸出識(shí)別結(jié)果。

實(shí)驗(yàn)結(jié)果如表2 所示，實(shí)驗(yàn)效果如圖1 所示。

本次實(shí)驗(yàn)使用了數(shù)據(jù)集中所提供的4000 張圖片，每類(lèi)隨機(jī)選擇圖片400 張，每次實(shí)驗(yàn)為100 張圖片，最后結(jié)果取平均值。統(tǒng)計(jì)數(shù)據(jù)可得表1，基于三支決策的圖像識(shí)別是可以實(shí)現(xiàn)多目標(biāo)圖像的識(shí)別。根據(jù)表2 的數(shù)據(jù)可知，該方法在數(shù)據(jù)集Cifar-10 中平均的準(zhǔn)確率為87.58%，平均F 值為87.06%，由此可得基于三支決策分類(lèi)器的圖像識(shí)別能得到較高的識(shí)別率和準(zhǔn)確率。

5 結(jié)語(yǔ)

本文采用了復(fù)合型SVM 識(shí)別的方法來(lái)對(duì)圖像進(jìn)行識(shí)別，利用三支決策分類(lèi)器對(duì)圖像數(shù)據(jù)進(jìn)行決策判斷。實(shí)驗(yàn)結(jié)果表明，在相同實(shí)驗(yàn)數(shù)據(jù)集的情況下，基于三支決策的圖像識(shí)別相對(duì)于傳統(tǒng)的圖像識(shí)別方法在準(zhǔn)確率上有明顯的提升。本文采用的基于三支決策的圖像識(shí)別方法，相較于傳統(tǒng)的圖像識(shí)別方法，在圖像特征上有更高的識(shí)別率以及更好的識(shí)別效果。本文下一步工作是在三支決策分類(lèi)器的基礎(chǔ)上，對(duì)圖像識(shí)別方法進(jìn)行改進(jìn)，以及使用多種識(shí)別方法進(jìn)行圖像識(shí)別，進(jìn)一步提高圖像識(shí)別準(zhǔn)確率。

表2 基于三支決策Cifar-10 多目標(biāo)識(shí)別率