【报告内容】

汇报人：何世祺

汇报单位：太原理工大学

主题：《Genetic Programming for Feature Extraction and Construction in Image Classification》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

本文旨在解决现有遗传编程（GP）方法在图像分类中存在的局限，包括多数方法仅能处理二值图像分类任务或需依赖预定义分类器进行多类分类，难以确定特征与分类器的最优组合；高图像变异性增加了特征提取和分类难度，单一特征提取方法效果有限；特征构建需领域知识，缺乏自动化能力；GP 程序易出现规模膨胀导致过拟合和高计算成本；以及分类器与特征适配性不足、模型可解释性较差等问题。

2.相关创新方案

(1)本文提出一种基于GP的二分类和多分类方法GPRM，该方法具有新的表示形式，可以自动同时进行特征提取、特征构建和分类。

(2)本文更新了函数和终端集的设计，将GP演化为多层，并根据图像分类任务的需要自动选择适合每层的函数。

(3)本文提出一种新的基于种群适应度的突变算子，用于在进化过程中动态调整GP程序的增减。

3.实验总结

本文旨在开发一种新的基于GP的二值和多类图像分类中的特征提取和构造方法，GPRM，该方法具有新的程序结构、功能集和终端集。GPRM可以自动学习有用的特征，并为各种图像分类任务选择最有效的分类器。它在八个图像分类数据集上的表现优于大多数基准方法。对个体树的分析证实了生成的解决方案在图像分类方面具有潜在的良好可解释性。进一步的分析表明，所开发的变异算子可以动态调整进化GP程序的大小，进一步提高分类精度。

4.未来工作

本文未来的工作主要包括两方面：一是研究如何建立有效的代理模型，将其应用于基于遗传编程（GP）的图像分类中，以降低 GP 作为基于种群的搜索技术在处理大规模训练集时因大量适应度评估带来的高昂计算成本，开发高效的基于 GP 的图像分类方法；二是研究将迁移学习与 GP 相结合，利用在源域进化的有价值的 GP 树或子树作为知识转移，以提高 GP 在目标任务上的学习性能，从而解决复杂的图像分类任务。

报告时间：2025年08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)