计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2014年
8期
163-167
,共5页
特征融合%稀疏邻域%正则化%几何结构%稀疏重构%特征分解
特徵融閤%稀疏鄰域%正則化%幾何結構%稀疏重構%特徵分解
특정융합%희소린역%정칙화%궤하결구%희소중구%특정분해
feature fusion%sparse neighborhood%regularization%geometric structure%sparse reconstruction%eigen-decomposition
针对无标签样本和单标签样本的融合学习问题,提出样本稀疏邻域的概念,进而给出基于稀疏邻域的特征融合算法(SNSPDA).样本的稀疏邻域充分利用稀疏表示的判别属性,增强了具有较大表示系数样本对被表示样本的重构作用.SNSPDA算法可捕获数据的局部几何结构,保持样本间的稀疏重构关系,同时避免单标签样本学习中的过拟合问题.大量单标签图像样本的实验结果表明,SNSPDA算法比仅反映单一数据属性的融合算法具有更高的识别率,如在光照条件变化较大时,该算法的正确识别率分别比稀疏保持判别融合算法与半监督判别融合算法提高了2.14％与17.43％.
針對無標籤樣本和單標籤樣本的融閤學習問題,提齣樣本稀疏鄰域的概唸,進而給齣基于稀疏鄰域的特徵融閤算法(SNSPDA).樣本的稀疏鄰域充分利用稀疏錶示的判彆屬性,增彊瞭具有較大錶示繫數樣本對被錶示樣本的重構作用.SNSPDA算法可捕穫數據的跼部幾何結構,保持樣本間的稀疏重構關繫,同時避免單標籤樣本學習中的過擬閤問題.大量單標籤圖像樣本的實驗結果錶明,SNSPDA算法比僅反映單一數據屬性的融閤算法具有更高的識彆率,如在光照條件變化較大時,該算法的正確識彆率分彆比稀疏保持判彆融閤算法與半鑑督判彆融閤算法提高瞭2.14％與17.43％.
침대무표첨양본화단표첨양본적융합학습문제,제출양본희소린역적개념,진이급출기우희소린역적특정융합산법(SNSPDA).양본적희소린역충분이용희소표시적판별속성,증강료구유교대표시계수양본대피표시양본적중구작용.SNSPDA산법가포획수거적국부궤하결구,보지양본간적희소중구관계,동시피면단표첨양본학습중적과의합문제.대량단표첨도상양본적실험결과표명,SNSPDA산법비부반영단일수거속성적융합산법구유경고적식별솔,여재광조조건변화교대시,해산법적정학식별솔분별비희소보지판별융합산법여반감독판별융합산법제고료2.14％여17.43％.
