×
F.多奈卡。;博萨赫扎德。

使用数据自代表性进行模式分类的自适应图构造。 （英语） Zbl 1390.68522号

信息科学。 325, 118-139 (2015).
摘要：在许多机器学习和计算机视觉任务中，如半监督学习、流形学习和谱聚类，由数据构建图形是一个预先阶段。图形构建过程对学习任务及其相关应用的影响，尽管对准确性有重要影响，但目前的研究还很有限。通过采用（ell{1}）正则化的稀疏编码来构建最新状态图。这些图在许多计算机视觉应用中表现出良好的性能。然而，在编码方案中没有明确使用实例之间的局部性和相似性。此外，由于使用了\（\ell_{1}\）正则化，这些构造方法的计算成本可能很高。在本文中，我们研究了使用数据自代表性性质的图构造。通过合并一种局部约束线性编码（LLC）变体，我们引入并导出了四种用于图构造的变体。这些变体采用两相LLC（TPLLC）。与最近的（ell{1}）图相比，我们提出的带有三个变量的目标函数具有解析解，因此效率更高。提出的方法的一个关键要素是编码的第二阶段，它允许自然地合并数据的紧密性或局部性。它对一些选定的相关样本进行编码，并通过利用第一阶段估计的系数来加强单个正则化项。使用多个基准数据集的综合实验结果表明，它可以实现或优于现有的最新结果。此外，它还被证明比稳健的图构造方案更有效。

引用于4文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别
68T45型 机器视觉和场景理解

关键词：

图形构造;稀疏编码;局部约束线性编码;基于图形的标签传播;人脸识别;整体对象分类

软件：

Yall1号机组
PDF格式BibTeX公司 XML格式引用
\textit{F.Dornaika}和\textit{A.Bosaghzadeh}，信息科学。325118-139（2015；Zbl 1390.68522）
全文： 内政部

参考文献：

[1] 贝尔金，M。；Niyogi，P.，用于降维和数据表示的拉普拉斯特征映射，神经计算。，15, 6, 1373-1396 (2003) ·Zbl 1085.68119号
[2] 贝尔金，M。；Niyogi，P。；Sindhwani，V.，《流形正则化：从标记和未标记示例学习的几何框架》，J.Mach。学习。第7号决议，2399-2434（2006）·Zbl 1222.68144号
[3] 贝尔蒂尼，J.R。；赵，L。；Lopes，A.A.，基于k关联图的非平稳数据分类增量学习算法，Inform。科学。，46, 10, 52-68 (2013) ·Zbl 1320.68132号
[5] 陈，H。；Chang，H。；Liu，T.，局部判别嵌入及其变体，IEEE计算机视觉和模式识别国际会议，846-853（2005）
[6] Cheng，B。；杨，J。；Yan，S。；Fu，Y。；Huang，T.S.，《使用L1-graph进行图像分析的学习》，IEEE Trans。图像处理。，19, 4, 858-866 (2010) ·兹比尔1371.68229
[7] Cheng，H。；刘，Z。；Yang，J.，标签传播的稀疏性诱导相似性度量，IEEE计算机视觉国际会议，317-324（2009）
[8] 组合框，P。；Wajs，V.，通过近端前向背向分裂恢复信号，Multisc。模型。模拟。，4, 4, 1168-1200 (2005) ·兹比尔1179.94031
[9] 黄，J。；周，D。；Scholkopf，B.，从有向图上的标记和未标记数据中学习，ICML，1036-1043（2005）
[10] Daitch，S.I。；Kelner，J.A。；Spielman，D.A.，将图形拟合到矢量数据，国际机器学习会议，201-208（2009）
[11] Dornaika，F。；Bosaghzadeh，A。；Raducanu，B.，基于标签传播的多观察人脸识别的高效图形构建，人类行为理解国际研讨会。人类行为理解国际研讨会，LNCS，8212124-135（2013）
[12] Dornaika，F。；Bosaghzadeh，A。；Salmane，H。；Ruichek，Y.，基于图的半监督学习与局部二进制模式，用于整体对象分类，专家系统。申请。，41, 17, 7744-7753 (2014)
[13] Dornaika，F。；Bosaghzadeh，A。；Salmane，H。；Ruichek，Y.，《使用LBP自表示性进行户外物体分类的图形构建方法》，工程应用。Artif公司。智力。，34, 294-302 (2014)
[14] Elhamifar，E。；Vidal，R.，《稀疏子空间聚类：算法、理论和应用》，IEEE Trans。模式分析。机器。智力。，35, 11, 2765-2781 (2013)
[15] Figueiredo，麻省理工学院。；诺瓦克，R.D。；Wright，S.J.，《稀疏重建的梯度投影：压缩传感和其他反问题的应用》，IEEE J.Selected Top。信号处理。，1, 4, 586-597 (2007)
[16] 高，S。；曾荫权（Tsang，I.）。；Chia，L.-T.，拉普拉斯稀疏编码，超图拉普拉斯稀编码，及应用，IEEE Trans。模式分析。机器。智力。，31, 1, 92-104 (2013)
[17] 盖恩，I。；Elisseeff，A.，《变量和特征选择简介》，J.Mach。学习。第3号决议，1157-1182（2003年）·Zbl 1102.68556号
[18] 他，R。；郑伟。；胡，B。；Kong，X.，用于区分性半监督学习的非负稀疏编码，IEEE计算机视觉和模式识别会议（CVPR），2849-2856（2011）
[19] 何，X。；蔡，D。；Niyogi，P.，特征选择的拉普拉斯分数，神经信息处理系统，507-514（2005）
[20] 何，X。；Niyogi，P.，《位置保持预测》，《神经信息处理系统的进展》16，153-160（2003），麻省理工学院出版社
[21] Jebara，T。；Wang，J。；Chang，S.，《半监督学习的图形构建和b匹配》，ICML，441-448（2009）
[22] 姜振林。；林，Z。；Davis，L.S.，通过标签一致的KSVD学习稀疏编码的区分字典，IEEE计算机视觉和模式识别国际会议，1697-1704（2011）
[23] Kim，S.J。；Koh，K。；Lustig，M。；博伊德，S。；Gorinevsky，D.，大规模l1-正则最小二乘的内点方法，IEEE J.Selected Top。信号处理。，1, 4, 606-617 (2007)
[24] Kokiopoulou，E。；Frossard，P.，多观测集的基于图形的分类，模式识别。，43, 12, 3988-3997 (2010) ·Zbl 1207.68291号
[25] Lee，H。；Battle，A。；雷娜，R。；Ng，A.Y.，高效稀疏编码算法，神经信息处理系统进展，801-808（2006）
[26] Li，C。；郭杰。；Zhang，H.，基于局部稀疏表示的分类，IEEE模式识别国际会议，649-652（2010）
[27] Li，C。；齐，X。；郭杰。；Xiao，B.，《半监督学习中不同图形的评估》，《智能科学与智能数据工程》，58-65（2012）
[29] 刘，W。；Chang，S.F.，《图形的鲁棒多类传递学习》，计算机视觉与模式识别，381-388（2009）
[30] 刘，X。；潘，S。；郝，Z。；Lin，Z.，基于图的软约束混合标记传播半监督学习，Inform。科学。，277, 1, 327-337 (2014) ·Zbl 1354.68224号
[31] 迈尔，M。；冯·卢克斯堡，美国。；Hein，M.，图构造对基于图的聚类度量的影响，NIPS，1025-1032（2008）
[32] Mairal，J。；巴赫，F。；彭斯，J。；萨皮罗，G。；Zisserman，A.，稀疏编码的在线词典学习，ICML，689-696（2009）
[33] Malioutov，D.M。；塞廷，M。；Willsky，A.S.，稀疏信号表示的同伦延拓，声学，语音和信号处理，2005年。诉讼程序。（2005年ICASSP）。IEEE国际会议，5，v/733-v/736（2005）
[34] Newmann，M.E.J.，使用矩阵的特征向量寻找网络中的群落结构，Phys Rev.E Stat Nonlin Soft Matter Phys，74:036104（2006）
[35] 聂，F。；徐，D。；曾荫权（Tsang，I.）。；Zhang，C.，《柔性流形嵌入：半监督和非监督降维框架》，IEEE Trans。图像处理。，19, 7, 1921-1932 (2010) ·Zbl 1371.94276号
[36] 聂，F。；曾，Z。；Tsang，I.W。；徐，D。；Zhang，C.，Spectral嵌入式聚类：样本内和样本外光谱聚类的框架，IEEE Trans。神经网络。，22, 11, 1796-1808 (2011)
[37] Niyogi，P.，《流形正则化和半监督学习：一些理论分析》，《技术报告》（2008），芝加哥大学计算机科学系
[38] Ojala，T。；Pietikainen，M。；Maenpaa，T.，具有局部二进制模式的多分辨率灰度和旋转不变纹理分类，IEEE Trans。模式分析。机器。智力。，24, 7, 971-987 (2002)
[39] Roweis，S。；Saul，L.，通过局部线性嵌入降低非线性维数，《科学》，290，5500，2323-2326（2000）
[40] 石青（Shi，Q.）。；埃里克森，A。；亨格尔，A。；Shen，C.，人脸识别真的是一个压缩感知问题吗？，IEEE计算机视觉模式识别国际会议，553-560（2011）
[41] 辛格，A。；诺瓦克，R。；Zhu，X.，《未标记数据：现在有帮助，现在没有，神经信息处理系统的进展》，1513-1520（2009）
[42] Sousa，C。；雷赞德，S。；Batista，G.，图构造对半监督学习的影响，欧洲机器学习会议，160-175（2013）
[43] Tang，J。；R·洪。；Yan，S。；Chua，T.S。；齐，J。；Jain，R.，通过KNN-稀疏图基标签传播在噪声标记web图像上的图像注释，ACM Trans。智力。系统。技术。，2011年2月2日14:1-14:15
[44] von Luxburg，U.，《光谱聚类教程》，《统计计算》。，17, 4, 395-416 (2007)
[45] Wang，F。；Zhang，C.，线性邻域中的标签传播，IEEE Trans。知识。数据工程，20，1，55-67（2008）
[46] Wang，H。；黄，H。；丁，C.，使用有向图进行图像分类，欧洲计算机视觉会议，762-775（2010）
[47] Wang，J。；杨，J。；Yu，K。；吕，F。；黄，T。；Gong，Y.，用于图像分类的局部约束线性编码，IEEE计算机视觉和模式识别国际会议，3360-3367（2010）
[48] 王，Z。；Song，Y。；Zhang，C.，混合图的知识转移，第21届国际人工智能联合会议论文集，1291-1296（2009）
[49] Waqas，J.等人。；Yi，Z。；Zhang，L.，使用（L_2）最小化方法的基于协作邻域表示的分类，模式识别。莱特。，34, 2, 201-208 (2013)
[50] 沃尔夫，L。；哈斯纳，T。；Taigman，Y.，基于背景样本的相似性得分，第九届亚洲计算机视觉会议论文集-第二卷。第九届亚洲计算机视觉会议记录——第二卷，ACCV'09，88-97（2010）
[51] Wright，J。；Yang，A.Y。；Ganesh，A。；Sastry，S.S。；Ma，Y.，基于稀疏表示的鲁棒人脸识别，IEEE Trans。模式分析。机器。智力。，31, 2, 210-227 (2009)
[52] Yan，S。；Wang，H.，稀疏表示半监督学习，SIAM国际数据挖掘会议，792-801（2009）
[53] 闫S.C。；徐，D。；张，B。；张，H。；杨琼。；Lin，S.，图嵌入和扩展：降维的一般框架，IEEE Trans。模式分析。机器。智力。，29, 1, 40-51 (2007)
[54] Yang，A.Y。；Sastry，S.S。；Ganesh，A。；Ma，Y.，Fast\（L_1-\）最小化算法及其在鲁棒人脸识别中的应用：综述，技术报告（2010）
[55] 杨，J。；Yu，K。；龚，Y。；Huang，T.，使用稀疏编码进行图像分类的线性空间金字塔匹配，IEEE计算机视觉和模式识别会议，1794-1801（2009）
[56] 杨，J。；张，L。；Xu，Y。；Yang，J.，《超越稀疏性：L1-优化器在模式分类中的作用》，模式识别。，45, 1104-1118 (2012) ·Zbl 1227.68102号
[57] 杨，J。；Zhang，Y.，压缩传感中（l_1）问题的交替方向算法，技术报告（2009）
[58] 杨，M。；张，L。；杨，J。；Zhang，D.，面向人脸识别的鲁棒稀疏编码，IEEE计算机视觉和模式识别国际会议，625-632（2011）
[59] Yang，S。；Lv，Y。；任，Y。；Yang，L。；Jiao，L.，通过基于稀疏表示的增量字典学习进行无监督图像分割，Inform。科学。，269, 10, 48-59 (2014)
[60] 张，L。；陈，S。；乔，L.，稀疏约束降维的图形优化，模式识别。，45, 1205-1210 (2012) ·Zbl 1227.68097号
[61] 张，L。；乔·L。；Chen，S.，图优化局部保持投影，模式识别。，43, 1993-2002 (2010) ·Zbl 1191.68611号
[62] 张，L。；杨，M。；Feng，X.，稀疏表示或协作表示：哪有助于人脸识别？，计算机视觉国际会议，471-478（2011）
[63] 张，L。；杨，M。；X·冯。；马云（Ma，Y.）。；Zhang，D.，基于协同表示的人脸识别分类，CoRR，abs/1204.2358（2012）
[64] 赵，J。；卢克。；He，X.，位置敏感半监督特征选择，Neurocomput。，71, 1842-1849 (2008)
[65] 周，D。；O.布斯克。；Lal，T.N。；韦斯顿，J。；Scholkopf，B.，《局部和全局一致性学习》，《神经信息处理系统进展》，321-328（2004）
[66] 周，H。；哈斯蒂，T。；Tibshirani，R.，稀疏主成分分析，技术报告（2004），斯坦福大学统计系
[67] 朱，X。；加赫拉马尼，Z。；Lafferty，J.，使用高斯场和调和函数的半监督学习，机器学习国际会议，912-919（2003）
[68] 齐布列夫斯基，M。；Elad，M.，信号和图像处理中的（L_1-L_2\）优化，IEEE信号处理。Mag.，27，3，76-88（2010）
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。