×

带有新图的鉴别稀疏柔性流形嵌入,用于鲁棒视觉表示和标记传播。 (英语) Zbl 1428.68269号

摘要:我们探讨了鲁棒视觉表示和增强标签预测的问题。从技术上讲判别式稀疏柔性管汇嵌入提出了一种新图形的(SparseFME)方法。SparseFME通过提高距离度量的可靠性和稳健性来增强FME的表示和标记预测能力,例如使用(l_{2,1})范数来度量编码嵌入特征和软标记之间不匹配的灵活回归残差,以及正则化(l_[2,1})-直接对软标签进行范数,以提高识别能力,从而包括可能对性能产生负面影响的不太不利的混合符号。此外,我们的SparseFME将FME中使用的噪声敏感的Frobenius范数替换为\(l_{2,1}\)范数,将映射数据的投影编码为软标签,从而确保投影在行中稀疏,以便在潜在子空间中学习有区别的软标签。因此,可以更准确地识别硬标签。为了获得预测软标签的高类间分离和高类内紧性,并更准确地编码每个样本的邻域,我们还提出了一种新的图权重构造方法,该方法通过集成类信息并考虑样本的某种相似性/相异性,从而发现真实的邻域。文中还介绍了理论收敛性分析以及与其他模型的联系。与几个相关标准相比,我们的SparseFME提供了最先进的表演。

MSC公司:

68T05型 人工智能中的学习和自适应系统

软件:

CMU项目
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 沙佩尔,O。;肖尔科夫,B。;Zien,A.,《半监督学习》(2006),麻省理工学院出版社:麻省理学院出版社剑桥
[5] Wang,F。;Zhang,C.S.,通过线性邻域的标签传播,IEEE Trans。知识。数据工程,20,1,55-67(2008)
[7] 聂福平。;Xiang,S.M。;刘,Y。;Zhang,C.S.,一种基于图形的半监督学习,具有新颖的类发现,神经计算。申请。,19, 4, 549-555 (2010)
[8] 聂福平。;Xiang,S.M。;贾义清。;张春生,基于标记传播的半监督正交判别分析,模式识别。,42, 11, 2615-2627 (2009) ·Zbl 1175.68338号
[9] 张,Z。;赵,M.B。;Chow,T.W.S.,通过自适应邻域上的标签传播实现基于图的约束半监督学习框架,IEEE Trans。知识。数据工程,27,9,2362-2376(2015)
[10] 王,M。;Hua,X.S。;Meia,T。;中华人民共和国洪市。;齐国杰。;Song,Y。;Dai,L.R.,视频注释的半监督核密度估计,计算。视觉。图像理解。,113, 3, 384-396 (2009)
[12] 张,Z。;周,T.W.S。;Zhao,M.B.,用于边缘流形可视化的基于跟踪比优化的半监督非线性降维,IEEE Trans。知识。数据工程,25,5,1148-1161(2013)
[13] 卢,Z.W。;Peng,Y.X.,《穷尽且有效的约束传播:基于图形的学习方法及其应用》,国际计算机杂志。视觉。,103, 3, 306-325 (2013) ·兹比尔1270.68351
[14] Wright,J。;马云(Ma,Y.)。;Mairal,J。;萨皮罗,G。;黄,T。;Yan,S.C.,计算机视觉和模式识别的稀疏表示,Proc。IEEE,98,6,1031-1044(2010)
[15] Graham博士。;Allinson,N.M.,《人脸识别中通用870目的人脸识别的虚拟特征签名表征:从理论到应用》,(Wechsler,H.;Phillips,P.J.;Bruce,V.;Fogelman-Soulie,F.;Huang,T.S.,北约ASI系列F:计算机和系统科学,163(1998)),446-456
[16] 张,Z。;赵,M.B。;Chow,T.W.S.,用于特征提取和分类的二进制和多类组稀疏典型相关分析,IEEE Trans。知识。数据工程,25,10,2192-2205(2013)
[17] 李,Z.C。;刘,J。;Tang,J.H。;Lu,H.Q.,数据表示的鲁棒结构子空间学习,IEEE Trans。模式分析。机器。智力。,37, 10, 2085-2098 (2015)
[18] Hou,C.P。;聂福平。;Li,X.L。;Yi,D.Y。;Wu,Yi,联合嵌入学习和稀疏回归:无监督特征选择框架,IEEE Trans。赛博。,44, 6, 793-804 (2014)
[19] 张,Z。;闫S.C。;Zhao,M.B.,用于无监督子空间学习和分类的成对稀疏保持嵌入,IEEE Trans。图像处理。,22, 12, 4640-4651 (2013) ·Zbl 1373.68343号
[21] 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)
[23] Kokiopoulou,E。;陈,J。;Saad,Y.,《降维方法中的轨迹优化和特征问题》,Numer。线性代数应用。,18, 3, 565-602 (2011) ·Zbl 1249.65075号
[25] 卡尔普,M。;Michailidis,G.,基于图的半监督学习,IEEE Trans。模式分析。机器。智力。,30, 1, 174-179 (2008)
[28] 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
[30] 宋永清。;聂福平。;张,C.S。;Xiang,S.M.,半监督降维的统一框架,模式识别。,41, 9, 2789-2799 (2008) ·兹比尔1154.68501
[31] 张,Z。;赵,M.B。;Chow,T.W.S.,具有信息约束的边缘半监督子流形投影,用于降维和识别,神经网络。,36, 97-111 (2012) ·Zbl 1258.68132号
[32] 乔·L·S。;Chen,S.C.(陈世诚)。;Tan,X.Y.,稀疏保持投影及其在人脸识别中的应用,模式识别。,43, 1, 331-341 (2010) ·兹比尔1186.68421
[33] 西姆·T。;贝克,S。;Bsat,M.,《CMU姿势、照明和表情数据库》,IEEE Trans。模式分析。机器。智力。,25, 12, 1615-1618 (2003)
[34] 臧,F。;Zhang,J.S.,通过稀疏邻域的标签传播及其应用,神经计算,97,267-277(2012)
[37] 赵,M.B。;周,T.W.S。;张,Z。;Li,B.,通过基于紧凑图的半监督学习实现图像自动标注,Knowl-基于系统。,76, 148-165 (2015)
[38] Wright,J。;杨,M。;Ganesh,A。;Sastry,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)
[39] 姜振林。;林,Z。;Davis,L.S.,标签一致性K-SVD:学习识别的区分字典,IEEE Trans。模式分析。机器。智力。,35, 11, 2651-2664 (2013)
[41] 何,X。;Yan,S。;胡,Y。;Niyogi,P。;张,H.,使用拉普拉斯人脸进行人脸识别,IEEE Trans。图案。分析。机器。智力。,27, 3, 328-340 (2005)
[44] Yan,S。;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)
[47] 聂福平。;徐,D。;Li,X.L。;Xiang,S.M.,通过虚拟标签回归进行半监督降维和分类,IEEE Trans。系统。,人类网络。B部分:网络。,41, 3, 675-685 (2011)
[48] 聂福平。;徐,D。;Tsang,I.W。;Zhang,C.S.,《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
[51] Xiang,S.M。;聂福平。;Zhang,C.S.,通过局部样条回归进行半监督分类,IEEE Trans。模式分析。机器。智力。,32, 11, 2039-2053 (2010)
[53] 卢,Z.W。;Wang,L.W.,通过快速稀疏编码进行的噪声半监督学习,模式识别。,48, 2, 605-612 (2015) ·Zbl 1373.68325号
[54] Hull,J.,手写文本识别研究数据库,IEEE Trans。模式分析。机器。智力。,16, 5, 550-554 (1994)
[55] 刘,G.C。;林,Z.C。;闫S.C。;Sun,J。;Yu,Y。;Ma,Y.,通过低秩表示实现子空间结构的稳健恢复,IEEE Trans。模式分析。机器。智力。,35, 1, 171-184 (2013)
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。