多实例多标签学习是多标签分类中多实例学习的扩展,已成功应用于图像分类中。 在现有算法中,通常将袋子中实例的分布相互独立,这在图像分类中很难保证。 考虑中 在一个袋子实例的相关性,inthis本文基于多内核场景分类的新方法fusionand提出多实例多标记学习。 首先,通过构建图来介绍实例相关性。 然后,基于不同比例尺的图,可以从内核函数中得出不同的内核矩阵。 最后,基于多核融合的多核SVM分类器可以预测多标签。 对场景数据集和MSRC v2数据集的实验结果表明,与其他方法相比,该方法极大地提高了图像场景分类的准确性。