×

用于视觉分类的多源自适应联合核稀疏表示。 (英语) Zbl 1414.68079号

摘要:现有的大多数域自适应学习(DAL)方法都依赖于单个源域来学习对感兴趣的目标域具有良好泛化性能的分类器,这可能会导致所谓的负迁移问题。为此,提出了许多多源自适应方法。虽然使用多源信息域建立适应模型的优势已得到广泛认可,但如何提高多源适应学习计算模型的鲁棒性,直到最近才受到关注。为了解决这个问题以提高性能,本文提出了一种新的算法,称为多源自适应正则化联合核稀疏表示(ARJKSR),用于解决鲁棒视觉分类问题。具体来说,ARJKSR通过在某个最优再生核希尔伯特空间(RKHS)中对每个源域的训练数据进行稀疏线性组合来联合表示目标数据集,通过同时最小化域间分布差异和最大化局部一致性来恢复,同时限制目标域和源域的观测值以共享其稀疏表示。ARJKSR的优化问题可以使用有效的交替方向方法来解决。在ARJKSR框架下,基于经典的基于图的半监督学习(GSSL)图,我们进一步学习了一个针对目标域未标记实例的鲁棒标记预测矩阵,其中包含了用ARJKSR构造的多个拉普拉斯图。通过几个视觉分类问题验证了我们方法的有效性。结果表明,与几种先进技术相比,我们的方法具有优越性。

MSC公司:

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分;聚类分析(统计方面)

软件:

SHOGUN公司
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 阿方索,M。;Bioucas Dias,J.等人。;Figueiredo,M.,成像逆问题约束优化公式的增广拉格朗日方法,IEEE图像处理汇刊,20,3,681-695(2011)·Zbl 1372.94004号
[2] 布鲁佐内(Bruzzone,L.)。;Marconcini,M.,《域适应问题:DASVM分类技术和循环验证策略》,IEEE模式分析和机器智能汇刊,32,5,770-787(2010)
[3] 蔡、邓;何晓飞;Han,Jiawei,用于人脸识别的正交拉普拉斯人脸,IEEE图像处理汇刊,15,11,3608-3614(2006)
[6] Cheng,B。;杨,J。;Yan,S。;Fu,Y。;Huang,T.,用l1图学习图像分析,IEEE图像处理汇刊,19,4(2010)·Zbl 1371.68229号
[9] 段,L。;Tsang,I.W。;Xu,D.,域转移多核学习,IEEE模式分析和机器智能学报,465-479(2012)
[12] 段立新;徐,D。;Tsang,I.W.,《多源域自适应:一种依赖域的正则化方法》,IEEE神经网络和学习系统汇刊,504-518(2012)
[14] 范,M。;顾,N。;乔·H。;Zhang,B.,半监督分类的稀疏正则化,模式识别,44,8,1777-1784(2011)·Zbl 1218.68120号
[15] 高胜华;Tsang,Ivor Wai-Hung;Chia,Liang-Tien,带核的稀疏表示,IEEE图像处理汇刊,22,2,423-434(2013)·Zbl 1373.94126号
[16] 耿,B。;陶,D。;Xu,C.,DAML:域自适应度量学习,IEEE图像处理汇刊,20,10,2980-2989(2011)·Zbl 1372.68222号
[17] 格雷顿,A。;Z.哈查乌伊。;Fukumizu,K。;Sriperumbudur,B.,《快速、一致的内核双样本测试》,(神经信息处理系统进展22(2010),麻省理工学院出版社),673-681
[18] Karam,Lina J。;Zhu,Tong,《wiild中带质量标签的人脸(QLFW):研究真实环境中人脸识别的数据库》,IVU实验室技术报告03-2014-1(2014),亚利桑那州立大学,在线阅读:http://ivulab.asu.edu/qlfw
[19] 刘伟;王军;Chang,Shih-Fu,稳健和可扩展的基于图形的半监督学习,IEEE学报,100,9,2624-2638(2012)
[20] Long,Mingsheng,《稳健图像表示的传输稀疏编码》,(2013年IEEE计算机视觉和模式识别会议(CVPR)(2013),IEEE)
[22] Mansour,Y。;莫赫里,M。;Rostamizadeh,A.,《多源域自适应》,(神经信息处理系统进展21(2009),麻省理工学院出版社:麻省理工学院出版社,马萨诸塞州剑桥),1041-1048
[24] 聂,F。;徐,D。;Tsang,I.W.-H。;Zhang,C.,《柔性流形嵌入:半监督和非监督降维框架》,IEEE图像处理汇刊,1921-1932(2010)·兹比尔1371.94276
[25] 潘,S.J。;Tsang,I.W。;郭敬通(Kwok,J.T.)。;Yang,Q.,通过传输组件分析进行域自适应,IEEE神经网络汇刊,22,2,199-210(2011)
[26] 潘,S.J。;杨琼,《迁移学习调查》,IEEE知识与数据工程汇刊,2010年第22期,第10期,第1345-1359页
[29] 罗森斯坦,M.T。;马克思,Z。;Kaelbling,L.P.,To transfer or not To transfer,(神经信息处理系统的进展(2005),麻省理工学院出版社:麻省理学院出版社,马萨诸塞州剑桥)
[30] Schölkopf,B。;Smola,A.J.,《用内核学习》(2002年),麻省理工学院出版社:麻省理学院出版社,剑桥
[31] 施韦克特,G。;维德默,C。;Schölkopf,B。;Rätsch,G.,《基因组序列分析领域自适应算法的实证分析》,(神经信息处理系统进展21(2009),麻省理工学院出版社:麻省理工大剑桥),1433-1440
[33] Shekhar,Sumit,《基于联合稀疏性的鲁棒多模式生物特征识别》(Computer vision-ECCV 2012)。研讨会和演示(2012年),施普林格:柏林施普林格,海德堡)
[34] Shekhar,S。;帕特尔,V.M。;新墨西哥州纳斯拉巴迪。;Chellappa,R.,稳健多模式生物特征识别的联合稀疏表示,IEEE模式分析和机器智能交易,36,1,113-126(2014)
[35] Sonnenburg,S。;RäARJKSRh,G。;Schäfer,C。;Schölkopf,B.,《大规模多核学习》,《机器学习研究杂志》,第7期,第1531-1565页(2006年)·Zbl 1222.90072号
[36] 陶建文;钟,Korris Fu Lai;王世通,关于域自适应的最小分布差异支持向量机,模式识别,45,11,3962-3984(2012)·Zbl 1242.68252号
[37] 陶建文;Chung,FuLai;王世彤,《领域适应学习的核心学习框架》,科学中国信息科学,55,91983-2007(2012)·Zbl 1270.68254号
[38] 陶建文;胡文军;王世通,领域适应学习的稀疏正则化标签传播,神经计算,139202-219(2014)
[39] 瓦格纳。;赖特,J。;Ganesh,A。;Zhou,Z。;Mobahi,H。;Ma,Y.,面向实用人脸识别系统:通过稀疏表示实现鲁棒对齐和照明,IEEE模式分析和机器智能汇刊,34,2,372-386(2012)
[40] Wang,J。;Wang,F。;张,C。;沈海川。;Quan,L.,线性邻域传播及其应用,IEEE模式分析和机器智能汇刊,31,9,1600-1615(2009)
[41] Wang,F。;Zhang,C.,线性邻域中的标签传播,IEEE知识与数据工程汇刊,20,1,55-67(2008)
[42] 赖特,J。;马云(Ma,Y.)。;Mairal,J.,《计算机视觉和模式识别的稀疏表示》,IEEE学报,98,6,1031-1044(2010)
[43] 赖特,J。;杨,A。;Sastry,S。;Ma,Y.,通过稀疏表示实现鲁棒人脸识别,IEEE模式分析和机器智能汇刊,31,2,210-227(2009)
[44] Yang,Yang,带样本外扩展的判别非负谱聚类,IEEE知识与数据工程汇刊,25,8,1760-1771(2013)
[46] 杨,J。;Zhang,Y.,压缩传感中l1问题的交替方向算法,SIAM科学与统计计算杂志,33,250-278(2011)·Zbl 1256.65060号
[49] 郑,苗,用于图像表示的图形正则化稀疏编码,IEEE图像处理汇刊,20,5,1327-1336(2011)·Zbl 1372.94314号
[50] 周,D。;O.布斯克。;Lal,T。;韦斯顿,J。;Schölkopf,B.,《学习与地方和全球一致性》,(神经信息处理系统进展16(2004))
[51] 朱欣,《半监督学习文献调查》,计算机科学技术报告1530(2005),威斯康星大学麦迪逊分校
[52] 庄,联生,用于半监督学习的非负低秩稀疏图,(2012年IEEE计算机视觉和模式识别会议(CVPR)(2012),IEEE)
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。