×
陈健；杜、兰；郭宇晨

有限训练样本分类的标签约束卷积因子分析。 （英语） Zbl 1475.62180号

信息科学。 544, 372-394 (2021).
小结：本文主要研究对小训练数据量鲁棒的统计分类。我们开发了一个标签约束卷积因子分析（LCCFA）模型，该模型将因子分析（FA）、卷积运算和监督学习相结合。在LCCFA模型中，每个字典原子被用作一个小型卷积核，目的是学习观测值的基本结构，这些结构在所有观测数据中具有高度共享的特征。这种特性使得所提出的方法能够用比FA模型更少的字典原子来描述数据，并降低了模型的复杂性。因此，在训练样本有限的情况下，LCCFA模型的分类性能可以得到提高。同时，该模型还将字典原子的权重向量投影到它们的类标签上，以约束参数的学习。由于标签约束，来自不同类别的权重向量的差异增加，从而提供了增强统计模型的类别间可分性的潜力。此外，通过变分贝叶斯（VB）算法实现了有效的参数估计。在多个基准数据集和实测雷达高分辨率距离像（HRRP）数据上的实验结果表明，该方法在小样本分类方面优于其他相关模型。

引用于1文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
62H25个 因子分析和主成分；对应分析

关键词：

统计分类；字典学习；因子分析（FA）；卷积的；标签约束；变分贝叶斯（VB）

软件：

UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit｛J.Chen｝等人，《信息科学》。544372-394（2021年；兹比尔1475.62180）
全文： 内政部

参考文献：

[1] Alex，K。；伊利亚，S。；Geoff，H.，深度卷积神经网络的Imagenet分类，高级神经信息处理系统。，25, 1106-1114 (2012)
[2] Anzai，Y.，《模式识别与机器学习》（2006），学术出版社·Zbl 1107.68072号
[3] Bousmalis，K。；西尔伯曼，N。；Dohan，D。；Erhan，D。；Krishnan，D.，无监督像素级域适应与生成对抗网络，（计算机视觉和模式识别国际会议（2017）），3722-3731
[4] Bousmalis，K。；Trigeorgis，G。；西尔伯曼，N。；Krishnan，D。；Erhan，D.，域分离网络，高级神经信息处理系统。，343-351 (2016)
[5] M.J.Beal，近似贝叶斯推理的变分算法，伦敦大学学院，2003年。
[6] 布莱克，C。；基奥，E。；Merz，C.J.，《UCI机器学习数据库知识库》，加州大学信息与计算机科学系（1998年），加州大学欧文分校信息与计算机学，网址：<http://archive.ics。uci.edu/ml数据集.html>
[7] Chu，B。；Madhavan，V。；O.Beijbom。；霍夫曼，J。；Darrell，T.，《针对新领域微调视觉分类器的最佳实践》（Computer Vision-ECCV 2016 Workshops（2016），Springer），435-442
[8] 科普赛，K。；Webb，A.R.，雷达目标识别的贝叶斯-伽马混合模型方法，IEEE Trans。Aerosp.航空公司。电子。系统。，39, 1201-1217 (2003)
[9] 杜，L。；He，H。；赵，L。；Wang，P.H.，基于散射体匹配算法的抗噪雷达HRRP目标识别，IEEE Sen.J.，16，6，1743-1753（2016）
[10] 杜，L。；Wang，P.H。；张，L。；He，H。；刘洪伟，基于HRR雷达目标信号分层贝叶斯学习的稳健统计识别与重构方案，专家系统。申请。，42, 5860-5873 (2015)
[11] 杜，L。；刘洪伟。；Wang，P.H。；冯，B。；潘，M。；Bao，Z.，基于小训练数据量多任务因子分析的噪声鲁棒雷达HRRP目标识别，IEEE Trans。信号处理。，60, 3546-3559 (2012) ·Zbl 1393.94553号
[12] 杜，L。；刘洪伟。；Bao，Z.，雷达HRRP统计识别：参数模型和模型选择，IEEE Trans。信号处理。，56, 1931-1944 (2008) ·Zbl 1390.94163号
[13] 丁，J。；陈，B。；刘洪伟。；Huang，M.Y.，用于SAR目标识别的带数据增强的卷积神经网络，IEEE Geosci。遥感快报。，13, 3, 364-368 (2016)
[14] 甘·J。；王伟强。；Lu，K.，《新视角：通过一维CNN识别在线手写汉字》，Inf.Sci。，478375-390（2019）
[15] Y.Ganin，V.Lempitsky，通过反向传播实现的无监督域自适应，收录于：国际机器学习会议，2015年，第1180-1189页。
[16] I.Goodfellow，J.Pouget-Abadie，M.Mirza，B.Xu，D.Warde-Farley，S.Ozair，A.Courville，Y.Bengio，《生成性对抗网络》，载于：Z.Ghahramani（编辑）《神经信息处理系统进展》2014年第27期，第2672-2680页。
[17] 吉尔克斯，W.R.E。；理查森，S.R。；Spiegelhalter，D.J.E.，《实践中的马尔可夫链蒙特卡罗》，技术计量学，92（1996）·Zbl 0832.00018号
[18] Hubel，D.H。；Wiesel，T.N.，《猫视觉皮层的接收场、双眼交互和功能结构》，J.Physiol。（伦敦），160，106-154（1962）
[19] Jain，A.K。；Duin，R.P.W。；Mao，J.，《统计模式识别：综述》，IEEE Trans。模式分析。机器。智力。，22, 4-37 (2000)
[20] 雅各布斯，S.P。；O'Sullivan，J.A.，使用高分辨率雷达距离像序列的自动目标识别，IEEE Trans。Aerosp.航空公司。电子。系统。，36, 2, 364-380 (2000)
[21] 金玛，D.P。；Welling，M.，自动编码变分贝叶斯，《学习表征国际会议论文集》（2014）
[22] 李，F.F。；Rob，F。；Pietro，P.，对象类别的一次性学习，IEEE Trans。模式分析。机器。智力。，28, 4, 594-611 (2006)
[23] Lee，H。；Grosse，R。；Ranganath，R。；Ng，A.Y.，《用于分层表示的可扩展无监督学习的卷积深度信念网络》，第26届机器学习国际会议论文集（2009）
[24] LeCun，Y。；博图，L。；Y.本吉奥。；Haffner，P.，《基于梯度的学习应用于文档识别》（IEEE Proc.（1998）），2278-2324
[25] M.Long，Y.Cao，J.Wang，M.Jordan，《利用深度适应网络学习可转移特征》，收录于：机器学习国际会议，2015年，第97-105页。
[26] 刘，H。；荀，J。；Wu，Y。；郭，Q。；伊布拉基莫夫，B。；Xing，L.，学习反褶积深度神经网络用于高分辨率医学图像重建，信息科学。，468, 142-154 (2018)
[27] 奈克，A。；查鲁瓦卡，A。；Rangwala，H.，使用多任务学习对多层次数据集中的文档进行分类，（IEEE人工智能工具国际会议论文集（2013）），390-397
[28] 诺鲁齐，M.R.M。；Mori，G.，用于移位-不变特征学习的卷积受限Boltzmann机器堆栈，IEEE计算机视觉和模式识别会议论文集（2009）
[29] 蒲玉川，袁晓元，卡林，贝叶斯深度非卷积学习，载：《学习表征国际会议》，2015年。
[30] J.Paisley，L.Carin，非参数因子分析与beta过程先验，收录于：机器学习国际会议，2009年，第777-784页。
[31] G.Parisi，J.Machta，统计场论，物理学。今天41（1988）110·Zbl 0984.81515号
[32] 施密德，N.A。；O'Sullivan，J.A.，识别系统中降维的阈值方法，IEEE Trans。Inf.理论，47，72903-2920（2001）·Zbl 1050.62536号
[33] Shi，L。；Wang，P.H。；刘洪伟。；徐，L。；Bao，Z.，雷达HRRP统计识别与局部因子分析，自动贝叶斯阴阳和声学习，IEEE Trans。信号处理。，59, 610-617 (2011) ·Zbl 1392.94450号
[34] R.B.Samuel，V.Luke，V.Oriol，M.D.Andrew，J.Rafal，B.Samy，《从连续空间生成句子》，载《第20届SIGNLL计算自然语言学习会议论文集》，2016年，第10-21页。
[35] Tunc，B。；达格利，V。；Gokmen，M.，类别相关因子分析及其在人脸识别中的应用，模式识别。，45, 4092-4102 (2012) ·Zbl 1248.68445号
[36] A.R.Webb，统计模式识别，2003年·Zbl 1102.68639号
[37] 王，M。；Deng，W.H.，《深度视觉领域适应：一项调查》，神经计算，312135-153（2018）
[38] 王振明。；杜，B。；施，Q。；Tu，W.P.，用于高光谱图像分类的具有判别分布和流形嵌入的领域自适应，IEEE Geosci。遥感快报。，16, 7, 1155-1159 (2019)
[39] Wang，P.H。；杜，L。；潘，M。；张晓峰。；Liu，H.W.，基于线性动力学模型的雷达HRRP目标识别，IEEE国际雷达会议论文集，662-665（2011）
[40] 薛，Y。；廖晓杰。；Carin，L。；Krishnapuram，B.，《Dirichlet过程先验分类的多任务学习》，J.Mach。学习。研究，8，35-63（2007年）·Zbl 1222.68338号
[41] Xu，W.D。；Tian，Y.，变分自动编码器半监督文本分类，IEEE Trans。神经网络。学习。系统。早期访问，1-14（2019）
[42] 于，Z。；李·T·R。；罗，G.C。；Fujita，H。；Yu，N。；Pan，Y.，带跨层神经元的图像识别卷积网络，信息科学。，433, 241-254 (2018)
[43] J.Yosinski，J.Clune，Y.Bengio，H.Lipson，深度神经网络中的特征如何转移？高级神经信息处理系统。，2014年，第3320-3328页。
[44] F.Zhuang，X.Cheng，P.Luo，S.J.Pan，Q.He，《监督表征学习：使用深度自动编码器的迁移学习》，载于：国际人工智能联合会议，2015年，第4119-4125页。
[45] 张晓峰。；陈，B。；刘洪伟。；左，L。；Feng，B.，通过数据增强进行无限最大边缘因子分析，模式识别。，52, 17-32 (2016) ·Zbl 1394.68331号
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。