【报告内容】

汇报人：李蒙恩

汇报单位：太原理工大学

主题：Genetic Programming With a New Representation to

Automatically Learn Features and Evolve Ensembles for

Image Classification

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

1）功能依赖于手动/领域知识。手工制作的功能，如LBP、HOG和SIFT，仅适用于特定场景，无法适应复杂的图像（旋转、照明、背景变化）。

2）单个分类器的泛化能力较差。集成学习（组合多个分类器）效果更好，但很难确保分类器的多样性，需要手动设计。

3）过程碎片化。传统流程：特征提取→ 分类器训练→ 集成融合，三步独立优化，无法实现全局最优。

2.相关创新方案

1）IEGP中开发了一种新的多层个体表示法，使其能够自动同时学习特征和进化集成以用于图像分类。

2）IEGP可以通过多个变换学习高级特征，即过滤、汇集、复杂特征提取函数和级联。

3）IEGP能够自动选择和优化进化集成中分类算法的参数。

4）IEGP可以在构建集成时自动解决多样性问题，其中策略属于输入特征操作和学习参数操作

5）IEGP的进化解决方案可以很容易地可视化为树，这些树对目标问题提供了高度的解释性，即学习了什么类型的特征，使用了什么分类算法来构建集成，以及为什么它们产生了良好的结果。

3.实验总结

本文提出 IEGP 算法，通过全新的个体编码、函数集与终端集，自动学习图像有效特征并构建多样化分类集成模型。该方法可在进化中自适应优化分类器参数，依靠灵活的树结构保证集成多样性，且模型结构可灵活调整，能够适配不同类型的图像分类任务。

4.未来工作

本文展示了GP在图像分类的学习特征和进化集成方面的潜力。然而，计算机视觉中有许多任务，如视频分析和遥感图像分类。有可能开发新的基于GP的方法来解决这些任务。

报告时间：2026年05月15日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)