设定视觉模式挖掘的问题为：给定一组类别的图片，如果图片来自于目标类 别，则被称为正类图像，如果来自于其他类别，则被称为负类图像，挖掘具有频 繁性和判别性的视觉模式，可以被认为是从负类图像中区分出正类图像。判别性： 如果一个模式值出现在正类图像中，而不是在负类图像中，则称其为具有判别性。 频繁性：如果一个图案多次出现在正类图像中，则称之为具有频繁性。针对三个数据集：Cifar10 数据集，MIT-Indoor 数据集，VOC2012 数据集， Travel 数据集，选择其中一种数据设计或实现一种基于模式挖掘的算法，要求挖掘出该数据中某一类中具有频繁性又有判别性的图片。

针对Cifar10数据集，可以使用Apriori算法实现基于模式挖掘的算法。具体步骤如下：

1. 将所有正类图像作为事务，每个事务包含多个条目，每个条目表示图像中的一个像素点或者一组像素点。
2. 对所有事务中出现过的条目进行计数，并筛选出支持度大于等于最小支持度阈值的条目作为频繁项集。
3. 对于每个频繁项集，计算其在正类图像中出现的支持度和在负类图像中出现的支持度，根据支持度比较大小，选择具有判别性的频繁项集。
4. 对于选出的频繁项集，根据其在正类图像中出现的次数，选择出现次数最多的图像作为具有频繁性且有判别性的图像。

需要注意的是，Apriori算法的时间复杂度比较高，对于大规模数据集可能会面临效率问题。可以考虑使用FP-Growth算法等更加高效的频繁模式挖掘算法。