李展彭进业，2温超

(1.西北大学信息科学与技术学院，陕西西安710069;2.西北工业大学电子信息学院，陕西西安710072)

传统的基于内容的图像检索(CBIR)通过图像特征度量整体相似性来实现［1］;而基于对象的图像检索(OBIR)只关心那些包含特定对象的图像.由于OBIR更适应用户检索需求，因此已成为CBIR新的研究热点［2］.

针对OBIR，一种方法是以“视觉词袋”(BoW)模型为基础，获取图像感兴趣区域的尺度不变特征变换(SIFT)特征［3］，利用BoW模型进行图像检索.Zheng等［4］从文本检索中得到启示，提出基于视觉词组的检索方法.Philbin等［5］通过获取局部几何空间特征提高检索性能.Wu等［6］利用多样本多树方法解决了特征检测、提取和量化步骤中的信息损失问题.另一种方法基于多示例学习(MIL)框架，利用MIL实现图像检索.Dietterich等［7］在药物活性预测的研究工作中，于1997年首次提出MIL的概念.传统机器学习框架中训练样本与标记是一一对应的，而MIL问题中，训练样本包有多个示例，只有包具有标记.若包中有正示例，则标记为正，反之标记为负.如对图像进行分割，将图像与分割区域分别看作包和示例，包含有检索对象的图像标为正包，否则标为负包.利用已标记正负图像学习分类器并进行检索，则基于对象的图像检索就变成了多示例学习问题.Zhang和Rouhollah等［8-9］结合多样性密度(DD)函数和期望最大值算法(EM)，利用EM-DD算法对图像检索进行研究.Chen等［10-11］提出了DD-SVM与MILES两个经典MIL算法，通过构造空间，将多示例包非线性投影并嵌入到构造空间中，利用支持向量……