×
刘崇文;尚兆伟;林波;唐、袁燕

一种用于图像分类和视频动作识别的语义树方法。 （英语） Zbl 1404.68131号

国际小波多分辨率。信息处理。 16，第2号，文章ID 1840008，第16页（2018）.
摘要：多任务学习（MTL）方法考虑同时学习一个问题和其他相关问题。MTL的主要挑战是如何选择性地筛选共享信息。每个任务的信息必须与其他任务相关，但当在两个不相关的任务之间共享信息时，会降低两个任务的性能。确保相关问题与主要任务相关是MTL中最重要的一点。本文将设计一种新的算法，通过使用每个任务中特征的语义空间来计算任务之间的关系程度，然后构建语义树以获得更好的学习性能。我们在该算法下提出了一种MTL方法，取得了良好的实验性能。我们对图像分类和视频动作识别进行了实验，并与最先进的MTL方法进行了比较。我们的方法在四个公共数据集中表现良好。

MSC公司：

68吨10 模式识别、语音识别
62H30型 分类和区分；聚类分析（统计方面）
68T05型 人工智能中的学习和自适应系统
68T45型 机器视觉和场景理解

关键词：

多任务学习;语义关系;图像分类;视频动作识别

软件：

Vlfeat公司
PDF格式BibTeX公司 XML格式引用
\textit{C.Liu}等人，《国际小波多分辨率》。信息处理。16，第2号，文章ID 1840008，16 p.（2018；Zbl 1404.68131）
全文： 内政部

参考文献：

[1] Kumar，A.和Daume，H.III，《多任务学习中的学习任务分组和重叠》。第29届国际会议机器学习，第2卷（Omnipress，苏格兰爱丁堡，2012），第1383-1390页。
[2] Vedaldi，A.和Fulkerson，B.，Vlfeat：一个开放和可移植的计算机视觉算法库，发表在Proc。《国际多媒体会议》（ACM，意大利费伦泽，2010），第1469-1472页。
[3] Andreas，A.、Theodoros，E.和Massimiliano，P.，Convex多任务特征学习，马赫。学习。73（3）（2008）243-272·Zbl 1470.68073号
[4] Agarwal，A.、Gerber，S.和Daume，H.，《使用流形正则化学习多任务》，收录于Proc。神经信息处理系统23和24年度会议进展（Curran Associates Inc.，美国纽约州，2010年）。
[5] Lowe，D.G.，从局部尺度不变特征识别物体，收录于Proc。IEEE Int.Conf.Computer Vision，第2卷（IEEE，希腊科基拉，1999年），第1150-1157页。
[6] Perronnin，F.，Liu，Y.，Sánchez，J.和Poirier，H.，使用压缩fisher向量进行大尺度图像检索，收录于Proc。IEEE Conf.计算机视觉和模式识别（CVPR）（IEEE，美国加利福尼亚州旧金山，2010），第3384-3391页。
[7] Guo，W.和Chen，G.，基于时空特征的多任务学习的人类行为识别，《信息科学》320（2015）418-428。
[8] He，J.和Lawrence，R.，《多任务多视图学习的基于图形的框架》，收录于Proc。第28届国际会议机器学习（ICML-11）（爱思唯尔，华盛顿州贝尔维尤，美国，2011年），第25-32页。
[9] Ivan，L.，《关于时空兴趣点》，《国际计算杂志》。见64（2005）107-123。
[10] 李，L.-J.和李，F.-F.，什么，在哪里，谁？在Proc中，通过场景和对象识别对事件进行分类。IEEE Int.Conf.Computer Vision（IEEE，巴西里约热内卢，2007），第1-8页。
[11] Chen，J.、Zhou，J.和Ye，J.，《将低阶结构和组解析结构结合起来以实现稳健的多任务学习》，收录于Proc。ACM SIGKDD Int.Conf.Knowledge Discovery and Data Mining（ACM，美国加利福尼亚州圣地亚哥，2011），第42-50页。
[12] Zhou，J.、Chen，J.和Ye，J.，《通过交替结构优化进行聚类多任务学习》。《神经信息处理系统24和25年度会议进展》（Curran Associates Inc.，西班牙格拉纳达，2011年），第702-710页。
[13] 周，J.，刘，J.、纳拉扬，V.A.和叶，J.《通过融合稀疏群套索模拟疾病进展》，发表于《Proc。ACM SIGKDD Int.Conf.Knowledge Discovery and Data Mining（ACM，中国北京，2012），第1095-1103页。
[14] Liu，J.、Luo，J.和Shah，M.，《从野外视频中识别真实动作》，摘自《Proc。IEEE Computer Society Conf.计算机视觉和模式识别研讨会（IEEE，佛罗里达州迈阿密，美国，2009），第1996-2003页。
[15] Mairal，J.，Bach，F.，Ponce，J.和Sapiro，G.，稀疏编码的在线词典学习，Proc。第26届年度国际会议机器学习（ACM，加拿大魁北克省蒙特利尔，2009年），第689-696页·Zbl 1242.62087号
[16] Yu，K.，Tresp，V.和Schwaighofer，A.，从多个任务中学习高斯过程，ICML 2005 Proc。第22届国际计算机学习会议（ACM，德国波恩，2005），第1017-1024页。
[17] Liu，A.A.、Xu，N.、Su，Y.T.、Lin，H.、Hao，T.和Yang，Z.X.，通过正则化多任务学习进行单/多视角人类行为识别，神经计算151（2015）544-553。
[18] Dollar，P.、Rabaud，V.、Cottrell，G.和Belongie，S.，稀疏时空特征的行为识别，Proc。第二届IEEE国际研讨会，跟踪和监视的视觉监视和性能评估（IEEE，中国北京，2005），第65-72页。
[19] Gu，Q.和Zhou，J.，学习用于多任务聚类和转导转移分类的共享子空间，见Proc。IEEE国际会议数据挖掘（IEEE，佛罗里达州迈阿密，美国，2009），第159-168页。
[20] Lazebnik，S.、Schmid，C.和Ponce，J.，《超越特征袋：用于识别自然场景类别的空间金字塔匹配》，收录于Proc。IEEE计算机学会会议，计算机视觉和模式识别（CVPR）（IEEE，美国纽约，2006），第2169-2178页。
[21] 唐义勇，陶义明，林永明，基于分形行为的特征提取新方法，模式识别。35（5）（2002）1071-1081·Zbl 0997.68117号
[22] 唐义勇，涂立泰，刘杰，李世伟，基于多特征和多级分类的手写体离线识别，IEEE Trans。模式分析。机器。《情报》20（5）（1998）556-561。
[23] Tang，Y.Y.，Yang，L.和Liu，J.，用小波变换表征dirac结构边，IEEE Trans。系统。曼赛本。B Cybern.30（1）（2000）93-109。
[24] Tang，Y.Y.和You，X.，基于新小波函数的带状形状骨架化，IEEE Trans。模式分析。机器。《情报》25（9）（2003）1118-1133。
[25] Evgeniou，T.和Pontil，M.，《规则化多任务学习》，KDD 2004 Proc。第十届ACM SIGKDD国际知识发现和数据挖掘会议（ACM，西雅图，华盛顿州，美国，2004），第109-117页。
[26] 田，J.，张，T.，秦，A.，尚，Z.和唐，Y.Y.，学习用于聚类的分布保持语义子空间，IEEE Trans。图像处理。26（12）（2017）5950-5965。
[27] Schickel-Zuber，V.和Faltings，B.，《使用层次聚类学习推荐系统中使用的概念》，Proc。ACM SIGKDD Int.Conf.Knowledge Discovery and Data Mining（美国加利福尼亚州圣何塞市ACM，2007），第599-608页。
[28] Song，X.、Nie，L.、Zhang，L.，Liu，M.和Chua，T.-S.，通过结构约束多源多任务学习进行兴趣推理，收录于Proc。IJCAI国际人工智能联合会议（AAAI，阿根廷布宜诺斯艾利斯，2015），第2371-2377页。
[29] Zhang，T.，Fang，B.，Tang，Y.Y.，He，G.和Wen，J.，用于人脸识别的保拓扑非负矩阵因式分解，IEEE Trans。图像处理.17（4）（2008）574-584。
[30] Zhang，T.，Fang，B.，Tang，Y.Y.，Shang，Z.和Xu，B.，广义判别分析：矩阵指数方法，IEEE Trans。系统。人类网络。B Cybern.40（1）（2010）186。
[31] Zhang，T.，Fang，B.，Yuan，Y.，Tang，Y.Y.，Shang，Z.，Li，D.和Lang，F.，可变光照下人脸识别的多尺度面部结构表征，模式识别。42（2）（2009）251-258·Zbl 1162.68644号
[32] Zhang，T.，Tang，Y.Y.，Shang，Z.和Liu，X.，使用梯度面在不同光照下进行人脸识别，IEEE Trans。图像处理.18（11）（2009）2599·Zbl 1371.94457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。