信号处理
信號處理
신호처리
SIGNAL PROCESSING
2013年
5期
607-614
,共8页
距离度量学习%半正定规划%概率密度比值估计%图像分类
距離度量學習%半正定規劃%概率密度比值估計%圖像分類
거리도량학습%반정정규화%개솔밀도비치고계%도상분류
distance metric learning%semi-definite programming%probability density ratio estimation%images classification
现有的距离度量学习算法都是假设训练数据和测试数据服从相同的分布,但是该假设在实际中不一定成立.当训练数据和测试数据的分布不同时,利用训练数据学习得到的度量函数可能难以适用于测试数据.针对上述问题,本文在NCA(Neighbourhood Components Analysis)度量学习方法的基础上,通过引入概率密度比值对目标函数加权,提出了一种采用概率密度比值估计的距离度量学习方法(Distance metric learning with ProbabilityDensity Ratio Estimation,DML-PDR).在UCI数据集和Corel图像库上的KNN分类实验表明,新方法克服了传统度量学习方法的不一致问题,提高了分类的准确率.
現有的距離度量學習算法都是假設訓練數據和測試數據服從相同的分佈,但是該假設在實際中不一定成立.噹訓練數據和測試數據的分佈不同時,利用訓練數據學習得到的度量函數可能難以適用于測試數據.針對上述問題,本文在NCA(Neighbourhood Components Analysis)度量學習方法的基礎上,通過引入概率密度比值對目標函數加權,提齣瞭一種採用概率密度比值估計的距離度量學習方法(Distance metric learning with ProbabilityDensity Ratio Estimation,DML-PDR).在UCI數據集和Corel圖像庫上的KNN分類實驗錶明,新方法剋服瞭傳統度量學習方法的不一緻問題,提高瞭分類的準確率.
현유적거리도량학습산법도시가설훈련수거화측시수거복종상동적분포,단시해가설재실제중불일정성립.당훈련수거화측시수거적분포불동시,이용훈련수거학습득도적도량함수가능난이괄용우측시수거.침대상술문제,본문재NCA(Neighbourhood Components Analysis)도량학습방법적기출상,통과인입개솔밀도비치대목표함수가권,제출료일충채용개솔밀도비치고계적거리도량학습방법(Distance metric learning with ProbabilityDensity Ratio Estimation,DML-PDR).재UCI수거집화Corel도상고상적KNN분류실험표명,신방법극복료전통도량학습방법적불일치문제,제고료분류적준학솔.