کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6937897 1449890 2019 41 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Generative multi-view and multi-feature learning for classification
ترجمه فارسی عنوان
چند منظوره و چند منظوره آموزش برای طبقه بندی
کلمات کلیدی
چند نمایش (مدال)، چند ویژگی مدل تولیدی مدل بیزی، طبقه بندی،
ترجمه چکیده
طبقه بندی مبتنی بر چندین نظر در سال های اخیر توجه زیادی را به خود جلب کرده است. به طور کلی، یک شی را می توان با دیدگاه های مختلف یا روش ها بیان کرد، و بهره برداری از همبستگی بین دیدگاه های مختلف به بهبود عملکرد طبقه بندی کمک می کند. با این حال، هر دیدگاه نیز می تواند با ویژگی های چندگانه توضیح داده شود و این نوع داده ها چند نمایش و داده های چند ویژگی نامیده می شود. برخلاف بسیاری از روشهای چندرسانهای موجود که فقط مدلهای چندگانه را مدل میکنند، اما اطلاعات درونی را در میان ویژگیهای مختلف در هر دیدگاه نادیده میگیرند، مدل باینری نسبی در این مقاله ارائه شده است که نه تنها به صورت مشترک به بررسی ویژگیها و دیدگاهها میپردازد، بلکه یادگیری نمایندگی تبعیض آمیز در سراسر دسته های متمایز. متغیر پنهان مربوط به هر ویژگی در هر دیدگاه فرض می شود و ویژگی خام، نمایش یک متغیر پنهان از یک فضای متفاوت است. به طور خاص، متغیرهای استخراج شده در هر دیدگاه متعلق به یک کلاس، تشویق می شوند که توزیع گاوش مشابهی را دنبال کنند و کسانی که متعلق به کلاس های مختلف هستند به منظور پیگیری توزیع های مختلف، به شدت از اطلاعات برچسب استفاده می کنند. برای بهینه سازی رویکرد ارائه شده، روش پیشنهادی به یک مدل شرطی کلاس تبدیل شده و یک الگوریتم موثر برای تغییر پارامترها و متغیرها طراحی شده است. نتایج تجربی در مورد مصنوعی گسترده و چهار مجموعه داده های دنیای واقعی نشان دهنده اثربخشی و برتر بودن روش ما در مقایسه با حالت پیشرفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
چند منظوره و چند منظوره آموزش برای طبقه بندی
چکیده انگلیسی
Multi-view based classification has attracted much attention in recent years. In general, an object can be represented with various views or modalities, and the exploitation of correlation across different views would contribute to improving the classification performance. However, each view can also be described with multiple features and this types of data is called multi-view and multi-feature data. Different from many existing multi-view methods which only model multiple views but ignore intrinsic information among the various features in each view, a generative bayesian model is proposed in this paper to not only jointly take the features and views into account, but also learn a discriminant representation across distinctive categories. A latent variable corresponding to each feature in each view is assumed and the raw feature is a projection of the latent variable from a more discriminant space. Particularly, the extracted variables in each view belonging to the same class are encouraged to follow the same gaussian distribution and those belonging to different classes are conducted to follow different distributions, greatly exploiting the label information. To optimize the presented approach, the proposed method is transformed into a class-conditional model and an effective algorithm is designed to alternatively estimate the parameters and variables. The experimental results on the extensive synthetic and four real-world datasets illustrate the effectiveness and superiority of our method compared with the state-of-the-art.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Fusion - Volume 45, January 2019, Pages 215-226
نویسندگان
, , , ,