宋紫阳;萨姆·阿里;尼扎尔·布吉拉 具有特征选择的无限非对称高斯混合的贝叶斯推断。 （英语） 兹比尔1498.62125 软计算。 25，第8号，6043-6053（2021）. 摘要：数据聚类是一种基本的无监督学习方法，它影响数据挖掘、计算机视觉、信息检索和模式识别等多个领域。在这项工作中，我们开发了一个用于数据聚类的统计框架，该框架使用狄利克雷过程和非对称高斯分布。使用马尔可夫链蒙特卡罗推理方法学习该框架的参数。我们还集成了一种特征选择技术来选择信息量最大的特征，以便根据聚类精度构建适当的模型。本文报告了有关动态纹理聚类和场景分类的实验结果。 MSC公司： 62H30型 分类和区分；聚类分析（统计方面） 62英尺15英寸 贝叶斯推断 68T05年 人工智能中的学习和自适应系统 关键词：无限非对称高斯混合模型;特征选择;吉布斯采样;MCMC公司;大都会黑斯廷斯;背景减法 软件：可变选择LCM;DynTex公司 PDF格式BibTeX公司 XML格式引用 \textit{Z.Song}等人，软计算。25，第8号，6043--6053（2021；Zbl 1498.62125） 全文： 内政部 参考文献： [1] 亚当斯。；宾夕法尼亚州贝林，《高斯混合模型和隐马尔可夫模型的特征选择方法调查》，Artif Intell Rev，52，1739-1779（2017）·doi:10.1007/s10462-017-9581-3 [2] 安多诺夫斯基，G。；穆希奇，G。；布拉季奇，S。；Škrjanc，I.，《非线性系统过程监测和预测的进化模型识别》，Eng-Appl-Artif Intell，68，214-221（2018）·doi:10.1016/j.engappai.2017.10.020 [3] Antoniak，CE，dirichlet过程的混合及其在贝叶斯非参数问题中的应用，Ann Statist，2，6，1152-1174（1974）·Zbl 0335.60034号 ·doi:10.1214/aos/1176342871 [4] 布莱，DM；Jordan，MI，dirichlet过程混合物的变分推断，贝叶斯分析，1，1，121-143（2006）·Zbl 1331.62259号 ·doi:10.1214/06-BA104 [5] Bouguila，N.，使用MAP和随机复杂性进行离散数据聚类和特征加权的基于模型的方法，IEEE Trans-Knowl data Eng，21，12，1649-1664（2009）·doi:10.1109/TKDE.2009.42 [6] 布吉拉，北卡罗来纳州。；Ziou，D.，有限dirichlet混合模型的无监督选择：基于mml的方法，IEEE Trans-Knowl Data Eng，18，8，993-1009（2006）·doi:10.1109/TKDE.2006.133 [7] 布吉拉，北卡罗来纳州。；Ziou，D.，用于聚类和特征选择的可数无限混合模型，Knowl Inf Syst，33，2，351-370（2012）·doi:10.1007/s10115-011-0467-4 [8] Boutemedjet，S。；布吉拉，北。；Ziou，D.，高维非高斯数据聚类的混合特征提取选择方法，IEEE Trans-Pattern Ana Mach Intell，311429-1443（2009）·doi:10.1109/TPAMI.2008.155 [9] 布特梅杰，S。；邹，D。；Bouguila，N.，非高斯数据的基于模型的子空间聚类，神经计算，73，10-12，1730-1739（2010）·doi:10.1016/j.neucom.2009.11.044 [10] Bouveyron，C。；Brunet-Saumard，C.，用稀疏fisher-em算法进行聚类的判别变量选择，计算统计，29，3，489-513（2014）·Zbl 1306.65033号 ·doi:10.1007/s00180-013-0433-6 [11] Channoufi I，Bourouis S，Bouguila N，Hamrouni K（2018）利用有界广义高斯混合模型和特征选择进行彩色图像分割。参加：2018年第四届信号和图像处理先进技术国际会议（ATSIP），第1-6页 [12] 查努菲，I。；Bourouis，S。；布吉拉，北卡罗来纳州。；Hamrouni，K.，《结合无监督有界广义高斯混合建模和空间信息的图像和视频去噪》，Multimed Tools Appl，77，19，25591-25606（2018）·doi:10.1007/s11042-018-5808-9 [13] Cheung Y，Zeng H（2006）特征加权竞争对手因高斯混合聚类对em进行惩罚：单一范式中的自动特征和模型选择。收录：2006年国际计算智能与安全会议，第1卷，第633-638页 [14] Csurka G、Dance CR、Fan L、Willamowski J、Bray C（2004）《关键点袋视觉分类》。In:计算机视觉中的统计学习研讨会，ECCV，第1-22页 [15] 多雷托，G。；Chiuso，A。；Wu，YN；Soatto，S.，《动态纹理》，《国际Comp Vision杂志》，第51、2、91-109页（2003年）·Zbl 1030.68646号 ·doi:10.1023/A:1021669406132 [16] Elguebaly，T。；Bouguila，N.，图像上有限广义高斯混合模型的贝叶斯学习，Sig Proces，91，4，801-820（2011）·Zbl 1217.94010号 ·doi:10.1016/j.sigpro.2010.08.014 [17] Elguebaly，T。；Bouguila，N.，广义高斯混合模型作为使用特定类别视觉特征进行聚类的非参数贝叶斯方法，J Vis Comun Image Representation，23，8，1199-1212（2012）·doi:10.1016/j.jvcir.2012.08.03 [18] Elguebaly，T。；Bouguila，N.，使用非对称高斯分布和阴影检测的有限混合进行背景减法，Mach-Vis Appl，25，5，1145-1162（2014）·doi:10.1007/s00138-013-0568-z [19] Elguebaly，T。；Bouguila，N.，使用非对称高斯混合模型的同时高维聚类和特征选择，Image-Vis Comput，34，27-41（2015）·doi:10.1016/j.imavis.2014.10.011 [20] Fan W，Bouguila N（2013）通过变分贝叶斯学习有限beta-liouville混合模型用于比例数据聚类。摘自：《第二十届国际人工智能联合会议论文集》，AAAI出版社，IJCAI’13，pp 1323-1329 [21] Fan W，Bouguila N（2015）使用狄利克雷分布的分层pitman-yor过程混合的动态纹理聚类。2015 IEEE国际图像处理会议（ICIP），第296-300页 [22] Fu S，Bouguila N（2018）有限非对称高斯混合的贝叶斯学习。摘自：应用智能领域的最新趋势和未来技术——第31届工业工程和应用智能系统的其他应用国际会议，IEA/AIE 2018，蒙特利尔，魁北克省，加拿大，2018年6月25日至28日，会议记录，第355-365页 [23] 加林贝蒂，G。；Manisi，A。；Soffriti，G.，建模变量在基于模型的聚类分析中的作用，统计计算，28，1，145-169（2018）·Zbl 1384.62195号 ·doi:10.1007/s11222-017-9723-0 [24] 格里芬，JE；钢铁，MFJ，《使用迪里克莱过程回归平滑器的贝叶斯非参数建模》，《统计Sinica》，20，4，1507-1527（2010）·Zbl 1410.62057号 [25] Gustafson P、Carbonetto P、Thompson N、de Freitas N（2003）《无监督学习的贝叶斯特征加权及其在对象识别中的应用》。输入：AISTATS [26] Hyvärinen，A。；Hoyer，P.，通过将自然图像分解为独立的特征子空间来产生相位和位移不变特征，神经计算，12，7，1705-1720（2000）·doi:10.1162/089976600300015312 [27] Krishnan，S。；沙姆达拉维亚，K。；Rao，P.，《高斯混合模型模式分类的特征选择：一种新的客观准则》，pattern Recognit Lett，17，8，803-809（1996）·doi:10.1016/0167-8655（96）00047-5 [28] Laptev，I.，用增强直方图改进物体检测，图像视觉计算，27，5，535-544（2009）·doi:10.1016/j.imavis.2008.08.010 [29] 法律，MHC；Figueiredo，MAT；Jain，AK，使用混合模型的同时特征选择和聚类，IEEE Trans-Pattern Ana Mach Intell，261154-1166（2004）·doi:10.1109/TPAMI.2004.71 [30] Lazebnik S，Schmid C，Ponce J（2006）《超越特征袋：识别自然场景类别的空间金字塔匹配》。收录：2006年IEEE计算机学会计算机视觉和模式识别会议（CVPR'06），第2卷，第2169-2178页 [31] 李LJ，费菲L（2007）什么，在哪里，谁？通过场景和对象识别对事件进行分类。2007年IEEE第11届计算机视觉国际会议第1-8页 [32] 马尔巴克，M。；Sedki，M.，《使用综合完整数据可能性进行基于模型聚类的变量选择》，《统计计算》，27，4，1049-1063（2017）·Zbl 1384.62199号 ·doi:10.1007/s11222-016-9670-1 [33] Neal，RM，狄利克雷过程混合物模型的马尔可夫链抽样方法，计算机图统计，9，2249-265（2000） [34] 奥利瓦，A。；Torralba，A.，《场景形状建模：空间包络线的整体表示》，《国际计算机视觉杂志》，42，3，145-175（2001）·Zbl 0990.68601号 ·doi:10.1023/A：1011139631724 [35] 潘·W。；Shen，X.，基于惩罚模型的聚类及其在变量选择中的应用，J Mach Learn Res，81145-1164（2007）·Zbl 1222.68279号 [36] 南帕克。；Serpedin，E。；Qaraqe，K.，《高斯假设：最不利但最有用的（课堂讲稿）》，IEEE Signal Process Magaz，30，3，183-186（2013）·doi:10.1109/MSP.2013.2238691 [37] 佩特里，R。；Fazekas，S。；Huiskes，MJ，DynTex：动态纹理的综合数据库，模式识别快报，311627-1632（2010）·doi:10.1016/j.parec.201.05.009 [38] Rasmussen CE（1999）无限高斯混合模型。摘自：《第十二届神经信息处理系统国际会议论文集》，麻省理工学院出版社，美国马萨诸塞州剑桥，NIPS’99，pp 554-560 [39] Škrjanc，I。；伊格莱西亚斯，JA；Sanchis，A。；莱特，D。；Lughofer，E。；Gomide，F.，《聚类、回归、识别和分类中的进化模糊和神经模糊方法：一项调查》，《Inf-Sci》，490344-368（2019）·doi:10.1016/j.ins.2019.03.060 [40] Song Z，Ali S，Bouguila N（2019）用于背景减法的无限非对称高斯混合模型的贝叶斯学习。In:图像分析与识别第16届国际会议，ICIAR 2019，滑铁卢，安大略省，加拿大，2019年8月27日至29日，会议记录，第一部分，第264-274页 [41] 王C，布莱DM，菲菲L（2009）同步图像分类与标注。In:2009 IEEE计算机视觉和模式识别会议第1903-1910页 [42] 王，S。；Zhu，J.，基于模型的高维聚类变量选择及其在微阵列数据中的应用，生物统计学，64，2，440-8（2008）·Zbl 1137.62041号 ·文件编号：10.1111/j.1541-0420.2007.00922.x [43] 赵，G。；Pietikainen，M.，使用局部二进制模式进行动态纹理识别并应用于面部表情，IEEE Trans-Pattern Ana Mach Intell，29，6，915-928（2007）·doi:10.1109/TPAMI.2007.1110 [44] 朱杰，李立杰，李飞飞，邢恩平（2010）上游场景理解模型的大幅度学习。输入：NIPS 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。