کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6941679 1450118 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-graph embedding discriminative correlation feature learning for image recognition
ترجمه فارسی عنوان
تعبیه چندگانه یادگیری ویژگی همبستگی دیجیتال برای تشخیص تصویر
کلمات کلیدی
تشخیص تصویر، یادگیری گراف چندگانه، افزایش تبعیض آمیز مبتنی بر برچسب، یادگیری ویژگی چندین نمایش تجزیه و تحلیل همبستگی کانونی،
ترجمه چکیده
اکثر الگوریتم های تجزیه و تحلیل همبستگی مبتنی بر گراف، یک نمودار برای یک دید را ایجاد می کنند. با این حال، فقط یک گراف دشوار است به خوبی نشان می دهد ساختار هندسی ذاتی دید. در این مقاله، گرافهای چندگانه برای هر دید را با استفاده از یک روش پارتیشن بندی بعدی ابداع می کنیم و سپس یک الگوریتم یادگیری ویژگی همبستگی جدیدی از چندگانه جدید را پیشنهاد می کنیم که بر روی یادگیری گراف چندگانه و افزایش تفکیک پذیری مبتنی بر برچسب تحت چندین دید چارچوب تحلیل همبستگی. در الگوریتم، ترکیبی موثر از چندین نمودار در هر دیدگاه می تواند به صورت خودکار به منظور جذب ساختار هندسی ذاتی هر دیدگاه آموخته شود. علاوه بر این، الگوریتم می تواند ویژگی های همبستگی غیرخطی را با قدرت تفکیک کننده خوبی یاد بگیرد، با حداکثر سازی همبستگی های چند گراف از دیدگاه های مختلف و به طور همزمان پراکندگی داخل کلاسی هر دیدگاه را به حداقل برساند. آزمایش های گسترده در چندین مجموعه داده های تصویری واقعی، برتر بودن الگوریتم در تشخیص تصویر را نشان داده اند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
تعبیه چندگانه یادگیری ویژگی همبستگی دیجیتال برای تشخیص تصویر
چکیده انگلیسی
Most of existing graph-based correlation analysis algorithms construct one graph for one view. However, only one graph is difficult to well reveal intrinsic geometry structure of the view. In this paper, we construct multiple graphs for each view by means of a dimensionality partitioning method, and then propose a novel multi-graph embedding discriminative correlation feature learning algorithm that focuses on multiple graph learning and label-based discriminating enhancement under the multi-view correlation analysis framework. In the algorithm, an effective combination of multiple graphs in each view can be automatically learned in order to better capture the intrinsic geometry structure of each view. Moreover, the algorithm can learn nonlinear correlation features with well discriminating power by maximizing multi-graph intrinsic correlations of different views and simultaneously minimizing intraclass scatter of each view. Extensive experiments on several real-world image datasets have demonstrated the superiority of the algorithm in image recognition.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing: Image Communication - Volume 60, February 2018, Pages 173-182
نویسندگان
, , ,