کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10360327 869777 2014 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Image clustering based on sparse patch alignment framework
ترجمه فارسی عنوان
خوشه بندی تصویر بر اساس چارچوب هماهنگی پچ پراکنده
کلمات کلیدی
خوشه بندی تصویر، یادگیری منیفولد، نمایندگی انحصاری،
ترجمه چکیده
روش خوشه بندی تصویر ابزار کارآمد برای برنامه های کاربردی مانند بازیابی تصویر مبتنی بر محتوا و حاشیه نویسی تصویر است. به تازگی، روش های یادگیری چند منظوره بر اساس گراف نشان داد که عملکرد جذاب در استخراج ویژگی های خوشه بندی تصویر را نشان می دهد. روش های یادگیری منفرد معمول، اندازه محله های مناسب را برای ساخت گراف محله، که هندسه محلی توزیع داده را ترسیم می کند، اتخاذ می کند. از آنجا که تراکم توزیع امتیازات داده ها ممکن است در مناطق مختلف منیفولد متفاوت باشد، اندازه محله ثابت ممکن است در ساختن منیفولد نامناسب باشد. در این مقاله، ما یک الگوریتم جدید ارائه می دهیم، به نام چارچوب اصلاح پچ چاک دار، برای تعبیه داده های دروغین در چند منظوره چندگانه. به طور خاص، فرض کنیم که برای هر نقطه داده، یک محدوده کوچکی وجود دارد که در آن تنها نقاطی که از یک منیفولد در یک تقسیم بندی فضایی کمتری قرار دارند، دروغ می گویند. براساس چارچوب هماهنگی پچ، ما یک استراتژی بهینه سازی برای ساخت تکه های محلی پیشنهاد می کنیم که نمایندگی نادر را برای انتخاب چند همسایه از هر نقطه داده ای که یک زیر فضای جانبی محدود در نزدیکی آن نقطه قرار دارد، ارائه می دهد. پس از آن، کل استراتژی هم ترازی برای ساختن چند منظوره مورد استفاده قرار می گیرد. آزمایش ها بر روی چهار مجموعه داده های دنیای واقعی صورت می گیرد، و نتایج نشان دهنده اثربخشی روش پیشنهادی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
خوشه بندی تصویر بر اساس چارچوب هماهنگی پچ پراکنده
چکیده انگلیسی
Image clustering methods are efficient tools for applications such as content-based image retrieval and image annotation. Recently, graph based manifold learning methods have shown promising performance in extracting features for image clustering. Typical manifold learning methods adopt appropriate neighborhood size to construct the neighborhood graph, which captures local geometry of data distribution. Because the density of data points' distribution may be different in different regions of the manifold, a fixed neighborhood size may be inappropriate in building the manifold. In this paper, we propose a novel algorithm, named sparse patch alignment framework, for the embedding of data lying in multiple manifolds. Specifically, we assume that for each data point there exists a small neighborhood in which only the points that come from the same manifold lie approximately in a low-dimensional affine subspace. Based on the patch alignment framework, we propose an optimization strategy for constructing local patches, which adopt sparse representation to select a few neighbors of each data point that span a low-dimensional affine subspace passing near that point. After that, the whole alignment strategy is utilized to build the manifold. Experiments are conducted on four real-world datasets, and the results demonstrate the effectiveness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 47, Issue 11, November 2014, Pages 3512-3519
نویسندگان
, , , ,