马嘉仪;赵,季;田金文;白、香;屠卓文 基于稀疏近似的正则向量场学习用于消除失配。 (英语) Zbl 1326.68232号 模式识别 46,第12号,3519-3532(2013). 摘要:在向量场学习中,正则化核方法(如正则化最小二乘法)要求基函数的数量与训练样本大小相等。因此,学习过程在时间和空间复杂性上分别具有(O(N^3)和(O(N2))。这给大型数据集的向量学习问题带来了巨大的负担。在本文中,我们提出了一种稳健向量场学习方法——稀疏向量场一致性(SparseVFC)的稀疏近似,并推导了收敛速度的统计学习界。我们将SparseVFC应用于不匹配消除问题。在基准数据集上的定量结果表明,与原始VFC算法相比,SparseVFC具有显著的速度优势(比原始VFC快两个数量级),且性能没有明显下降;我们还展示了SparseVFC相对于RANSAC等传统方法的巨大改进。此外,该方法具有通用性,可以应用于向量场学习中的其他应用。 引用于6文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:向量场学习;稀疏近似;正规化;再生核希尔伯特空间;离群值;不匹配消除 软件:PDCO公司;PRMLT公司;RSVM公司;Vlfeat公司;SIFT公司 PDF格式BibTeX公司 XML格式引用 \textit{J.Ma}等人,模式识别46,No.12,3519-3532(2013;Zbl 1326.68232) 全文: 内政部 参考文献: [1] Vapnik,V.N.,《统计学习理论的本质》(1995),斯普林格出版社·Zbl 0833.62008号 [2] Evgeniou,T。;庞蒂尔,M。;Poggio,T.,正则化网络和支持向量机,计算数学,13,1-50(2000)·Zbl 0939.68098号 [3] 吉罗西,F。;琼斯,M。;Poggio,T.,正则化理论和神经网络架构,神经计算,7219-269(1995) [4] Aronszajn,N.,再生内核理论,美国数学学会汇刊,68337-404(1950)·Zbl 0037.20701号 [7] 苏肯斯,J.A.K。;Vandewalle,J.,最小二乘支持向量机分类器,《神经处理快报》,9,293-300(1999) [10] 米切利,C.A。;Pontil,M.,关于学习向量值函数,神经计算,17,177-204(2005)·Zbl 1092.93045号 [11] 坎迪斯,E。;Tao,T.,从随机投影中的近最优信号恢复通用编码策略,IEEE信息理论汇刊,525406-5425(2005)·Zbl 1309.94033号 [12] Keerthi,S.S。;沙佩尔,O。;DeCoster,D.,构建分类器复杂度降低的支持向量机,机器学习研究杂志,71493-1515(2006)·兹比尔1222.68230 [13] 吴,M。;肖尔科夫,B。;Bakir,G.,建立稀疏核学习算法的直接方法,机器学习研究杂志,7603-624(2006)·Zbl 1222.68335号 [14] Sun,P。;Yao,X.,通过提升学习大规模内核机器的稀疏近似,IEEE神经网络汇刊,21883-894(2010) [19] 罚款,S。;Scheinberg,K.,使用低阶核表示的高效SVM训练,机器学习研究杂志,2243-264(2001)·Zbl 1037.68112号 [20] Girosi,F.,稀疏近似和支持向量机之间的等价性,神经计算,101455-1480(1998) [21] 陈,S。;多诺霍,D。;Saunders,M.,通过基追踪进行原子分解,SIAM科学计算杂志,20,33-61(1999)·Zbl 0919.94002号 [22] Kim,S.-J。;Koh,K。;Lustig,M。;博伊德,S。;Gorinevsky,D.,《大尺度(ell_1-\operatorname{regulated})最小二乘的内点方法》,IEEE信号处理选定主题期刊,1,606-617(2007) [25] Keerthi,S.S。;Duan,K。;谢瓦德,S。;Poo,A.,核逻辑回归的快速对偶算法,机器学习,61151-165(2005)·兹比尔1085.68127 [29] 卡梅利,C。;De Vito,E。;Toigo,A.,可积函数的向量值再生核希尔伯特空间和mercer定理,分析与应用,4377-408(2006)·Zbl 1116.46019号 [30] Poggio,T。;Girosi,F.,近似和学习网络,IEEE学报,781481-1497(1990)·Zbl 1226.92005号 [32] Barron,A.R.,σ函数叠加的通用近似界,IEEE信息理论汇刊,39930-945(1993)·Zbl 0818.68126号 [33] Jones,L.K.,关于希尔伯特空间中贪婪近似和投影寻踪回归和神经网络训练收敛速度的简单引理,统计年鉴,20608-613(1992)·Zbl 0746.62060号 [35] Kůrková,V。;Sanguineti,M.,线性和神经网络近似中最坏情况误差的比较,IEEE信息理论汇刊,48264-275(2002)·兹比尔1059.62589 [36] Kůrková,V。;Sanguineti,M.,通过有界复杂性的核方法学习泛化能力,复杂性杂志,21350-367(2005)·Zbl 1095.68044号 [39] Huber,P.J.,《稳健统计》(1981年),John Wiley&Sons:John Willey&Sons New York·Zbl 0536.62025号 [40] Bishop,C.M.,模式识别和机器学习(2006),Springer·Zbl 1107.68072号 [41] Myronenko,A。;Song,X.,点集注册相干点漂移,IEEE模式分析和机器智能汇刊,322262-2275(2010) [42] 哈特利,R。;Zisserman,A.,《计算机视觉中的多视图几何》(2003),剑桥大学出版社:剑桥大学出版社·Zbl 0956.68149号 [43] Lowe,D.,尺度不变关键点的区别图像特征,国际计算机视觉杂志,60,91-110(2004) [44] 托尔,P.H.S。;Zisserman,A.,MLESACa新的鲁棒估计器及其在图像几何估计中的应用,计算机视觉和图像理解,78138-156(2000) [45] Kim,J.H.(金,J.H.)。;Han,J.H.,使用三角法对未校准图像序列进行离群校正,模式识别,39,394-404(2006)·Zbl 1122.68696号 [46] Goshen,L。;Shimshoni,I.,通过弱运动模型和离群点样本生成进行极线几何估计的引导采样,国际计算机视觉杂志,80,275-288(2008) [47] 李,X。;胡忠,用对应函数剔除失配,国际计算机视觉杂志,89,1-17(2010) [50] Barron,J。;舰队,D。;Beauchemin,S.,光流技术的性能,国际计算机视觉杂志,12,43-77(1994) [51] Mikolajczyk,K。;Tuytelaars,T。;施密德,C。;齐瑟曼,A。;马塔斯,J。;Schafalitzky,F。;Kadir,T。;van Gool,L.,《仿射区域检测器的比较》,《国际计算机视觉杂志》,65,43-72(2005) [52] Tuytelaars,T。;van Gool,L.,基于仿射不变区域的广泛分离视图匹配,国际计算机视觉杂志,59,61-85(2004) [57] Fischler,医学硕士。;Bolles,R.C.,《用于图像分析和自动制图的模型拟合的随机样本共识范式》,ACM通讯,24,381-395(1981) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。