×
拉萨卡尔鲍斯卡特；金塔塔斯·泽米达

优化最大似然估计量以确定高维数据的固有维数。 （英语） Zbl 1347.62127号

国际期刊申请。数学。计算。科学。 25，第4期，895-913（2015）.
小结：分析运动物体的图像集的问题之一是评估运动自由度和旋转角度。这里可以使用多维数据的内在维度来表征图像集。通常，图像可以由高维点表示，该高维点的维度取决于图像中的像素数量。数据集固有维数的知识在探索性数据分析中是非常有用的信息，因为可以在不丢失太多信息的情况下降低数据的维数。本文对内禀维数的最大似然估计（MLE）进行了实验研究。与之前的工作相比，超球体的半径是固定的，它覆盖了分析点的邻域，而不是MLE中最近邻域的数量。提出了该方法中半径的选择方法。我们探索了在MLE算法中必须评估哪一个度量——欧几里得度量或测地线度量——才能获得内在维度的真实估计。使用大量人工和真实（图像）数据集检查MLE方法。

MSC公司：

62华氏35 多元分析中的图像分析
94A08型 信息与通信理论中的图像处理（压缩、重建等）
68平方英寸10 图像处理的计算方法

关键词：

多维数据；固有维数；最大似然估计量；流形学习方法；图像理解

软件：

国际分帐；线圈-20
PDF格式BibTeX公司 XML格式引用
\textit{R.Karbauskait}和\textit{G.Dzemyda}，国际期刊应用。数学。计算。科学。25，第4号，895--913（2015；Zbl 1347.62127）
全文： 内政部

参考文献：

[1] Alvarez-Meza，A.M.，Valencia-Aguirre，J.，Daza-Santacoloma，G.和Castellanos-Domínguez，G.（2011年）。局部线性嵌入中最近邻数目的全局和局部选择，模式识别字母32(16): 2171-2177.;
[2] Belkin，M.和Niyogi，P.（2003）。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.; ·Zbl 1085.68119号
[3] Brand，M.（2003）。绘制流形，见S.Becker、S.Thrun和K.Obermayer（编辑），《神经信息处理系统进展》15，麻省理工学院出版社，马萨诸塞州剑桥，第961-968页。；
[4] Camastra，F.（2003）。数据维度估计方法：调查、模式识别36(12): 2945-2954.; ·Zbl 1059.68100号
[5] Carter，K.M.、Raich，R.和Hero，A.O.（2010年）。关于局部本征维数估计及其应用，IEEE信号处理汇刊58(2): 650-663.; ·Zbl 1392.94122号
[6] Chang，Y.，Hu，C.和Turk，M.（2004）。流形上的概率表达式分析，IEEE计算机学会计算机视觉和模式识别会议，CVPR（2），美国华盛顿特区，第520-527页。；
[7] Costa，J.A.和Hero，A.O.（2004年）。用于流形学习中维数和熵估计的测地熵图，IEEE信号处理汇刊52(8): 2210-2221.; ·Zbl 1369.68278号
[8] Costa，J.A.和Hero，A.O.（2005年）。用k近邻图估计局部内禀维数，IEEE统计信号处理汇刊30(23): 1432-1436.;
[9] Donoho，D.L.和Grimes，C.（2005）。黑森特征映射：高维数据的新局部线性嵌入技术，美国国家科学院学报102(21): 7426-7431.;
[10] Dzemyda，G.、Kurasova，O.和Ju ilinskas，J.（2013）。多维数据可视化：方法与应用，优化及其应用，第75卷，Springer-Verlag，纽约州纽约市·兹比尔1337.68001
[11] Einbeck，J.和Kalantan，Z.（2013年）。高维数据集的内在维数估计：计算关联维数的新方法，《网络智能新兴技术杂志》5(2): 91-97.;
[12] Elgammal，A.和su Lee，C.（2004年A）。使用活动流形学习从轮廓推断三维身体姿势，IEEE计算机学会计算机视觉和模式识别会议，CVPR（2），美国华盛顿特区，第681-688页。；
[13] Elgammal，A.和su Lee，C.（2004b）。《在非线性流形上分离风格和内容》，IEEE计算机学会计算机视觉和模式识别会议，CVPR（1），美国华盛顿特区，第478-485页。；
[14] Fan，M.、Zhang，X.、Chen，S.、Bao，H.和Maybank，S.J.（2013）。基于最小覆盖近似的图像流形维数估计105：19-29。；
[15] Fukunaga，K.（1982）。内在维度提取，P.Krishnaiah和L.Kanal（编辑），分类，模式识别和降维，统计手册，第2卷，荷兰北部，阿姆斯特丹，第347-362页·Zbl 0496.00013号
[16] Fukunaga，K.和Olsen，D.（1971）。求数据内在维数的算法，IEEE计算机事务20(2): 176-183.; ·Zbl 0216.50201号
[17] Gong，S.、Cristani，M.、Yan，S.和Loy，C.C.（编辑）（2014年）。人的重新识别，计算机视觉和模式识别的进展，第十八卷，施普林格，伦敦·Zbl 1282.68066号
[18] Grassberger，P.和Procaccia，I.（1983年）。测量奇怪吸引子的奇异性，物理D：非线性现象9(1-2): 189-208.; ·Zbl 0593.58024号
[19] Hadid，A.、Kouropteva，O.和Pietikäinen，M.（2002年）。使用局部线性嵌入的无监督学习：面部姿势分析实验，第16届模式识别国际会议，ICPR’02（1），加拿大魁北克省魁北克市，第111-114页。；
[20] 何J.、丁L.、江L.、李Z.和胡Q.（2014）。基于流形假设的内在维数估计，视觉传达与图像表示杂志25(5): 740-747.;
[21] Hein，M.和Audibert，J.（2005）。子流形的内在维数估计，《机器学习：第22届国际会议论文集》（ICML 2005），德国波恩，第289-296页。；
[22] Jenkins，O.C.和Mataric，M.J.（2004）。等轴测图非线性降维的时空扩展，第21届国际机器学习会议，ICML（69），加拿大阿尔伯塔省班夫，第441-448页。；
[23] Karbauskaitö，R.和Dzemyda，G.（2009年）。流形型多维数据可视化中的拓扑保持措施20(2): 235-254.; ·Zbl 1180.68217号
[24] Karbauskaitö，R.和Dzemyda，G.（2014）。使用包装数估计固有维度中的测地距离，非线性分析：建模和控制19（4） ：578-591·Zbl 1420.62236号
[25] Karbauskaitö，R.、Dzemyda，G.和Marcinkevičius，V.（2008）。在局部线性嵌入算法中选择正则化参数，第20届连续优化和基于知识的技术国际欧洲小型会议（EurOPT2008），立陶宛内林加，第59-64页·Zbl 1273.62139号
[26] Karbauskaitë，R.、Dzemyda，G.和Marcinkevičius，V.（2010年）。局部线性嵌入对正则化参数的依赖性，西班牙统计与运筹学学会官方期刊18(2): 354-376.; ·Zbl 1273.62139号
[27] Karbauskaitö，R.、Dzemyda，G.和Mazötis，E.（2011年）。内在维度最大似然估计中的测地距离，非线性分析：建模与控制16(4): 387-402.; ·Zbl 1271.93148号
[28] Karbauskaitö，R.、Kurasova，O.和Dzemyda，G.（2007年）。为局部线性嵌入算法、信息技术和控制选择每个数据点的邻域数36(4): 359-364.;
[29] Kégl，B.（2003年）。使用包装数进行本征维数估计，神经信息处理系统进展，NIPS（15），马萨诸塞州剑桥，美国，第697-704页。；
[30] Kouropteva，O.、Okun，O.和Pietikäinen，M.（2002）。局部线性嵌入算法最佳参数值的选择，第一届模糊系统与知识发现国际会议，FSKD（1），新加坡，第359-363页。；
[31] Kulczycki，P.和Łukasik，S.（2014）。《数据探索程序中减小样本维数和大小的算法》，《国际应用数学与计算机科学杂志》24（1） ：133-149，DOI:10.2478/amcs-2014-0011·Zbl 1292.93044号
[32] Lee，J.A.和Verleysen，M.（2007年）。非线性降维，Springer，纽约州纽约市·Zbl 1128.68024号
[33] Levina，E.和Bickel，P.J.（2005）。内在维度的最大似然估计，L.K.Saul、Y.Weiss和L.Bottou（编辑），《神经信息处理系统进展》17，麻省理工学院出版社，马萨诸塞州剑桥，第777-784页。；
[34] Levina，E.，Wagaman，A.S.，Callender，A.F.，Mandair，G.S.和Morris，M.D.（2007年）。最大似然法估算混合物中纯化学成分的数量，化学计量学杂志21(1-2): 24-34.;
[35] Li，S.Z.，Xiao，R.，Li，Z.和Zhang，H.（2001）。从多视角人脸模式到低维空间中高斯分布的非线性映射，IEEE ICCV实时系统中人脸和手势识别、分析和跟踪研讨会（RATFG-RTS），加拿大不列颠哥伦比亚省温哥华，第47-54页。；
[36] Mo，D.和Huang，S.H.（2012）。基于分形的固有维数估计及其在降维中的应用，IEEE知识与数据工程汇刊24(1): 59-71.;
[37] Nene，S.A.、Nayar，S.K.和Murase，H.（1996）。哥伦比亚物体图像库（COIL-20），技术报告CUCS-005-96，哥伦比亚大学，纽约州纽约市。；
[38] Niskanen，M.和Silven，O.（2003）。木材表面检测降维方法的比较，第六届人工视觉质量控制国际会议，QCAV（5132），美国田纳西州加特林堡，第178-188页。；
[39] 乔，M.F.H.和张，B.（2009）。用切割球估计流形的固有维数，模式识别42(5): 780-787.; ·Zbl 1162.68405号
[40] Roweis，S.T.和Saul，L.K.（2000）。局部线性嵌入的非线性降维，科学290(5500): 2323-2326.;
[41] Saul，L.K.和Roweis，S.T.（2003）。全局思考，局部拟合：低维流形的无监督学习，机器学习研究杂志4: 119-155.; ·兹比尔1093.68089
[42] Shin，Y.J.和Park，C.H.（2011年）。基于相关性的降维方法分析，国际应用数学与计算机科学杂志21（3） ：549-558，DOI:10.2478/v10006-011-0043-9·Zbl 1230.68173号
[43] Tenenbaum，J.B.、de Silva，V.和Langford，J.C.（2000年）。非线性降维的全局几何框架，Science290(5500): 2319-2323.;
[44] van der Maaten，L.J.P.（2007）。使用MATLAB进行降维的简介，技术报告MICC 07-07，马斯特里赫特大学。；
[45] Varini，C.、Nattkemper，T.W.、Degenhard，A.和Wismuller，A.（2004）。LLE乳腺MRI数据分析，2004年IEEE神经网络国际联合会议论文集，加拿大蒙特利尔，第3卷，第2449-2454页。；
[46] Verveer，P.和Duin，R.（1995年）。内在维度估计的评估，模式分析和机器智能IEEE事务17(1): 81-86.;
[47] Weinberger，K.Q.和Saul，L.K.（2006年）。通过半定规划进行图像流形的无监督学习，国际计算机视觉杂志70(1): 77-90.;
[48] Yang，M.-H.（2002）。使用扩展isomap的人脸识别，IEEE国际图像处理会议，ICIP（2），美国纽约州罗切斯特，第117-120页。；
[49] Yata，K.和Aosima，M.（2010年）。具有d-渐近性的高维低样本数据的内在维数估计，统计学中的通信——理论和方法39(8-9): 1511-1521.; ·Zbl 1318.62204号
[50] Zhang，J.、Li，S.Z.和Wang，J.（2004）。最近流形人脸识别方法，第六届IEEE自动人脸和手势识别国际会议，韩国首尔，第223-228页。；
[51] Zhang，Z.和Zha，H.（2004）。主流形和通过局部切线空间对齐的非线性降维，SIAM科学计算杂志26(1): 313-338.; ·Zbl 1077.65042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。