کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969778 1449980 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Hierarchical learning of multi-task sparse metrics for large-scale image classification
ترجمه فارسی عنوان
یادگیری سلسله مراتبی از معیارهای چندتایی برای طبقه بندی تصویر بزرگ در مقیاس
کلمات کلیدی
یادگیری متریک سلسله مراتبی چند منظوره، درخت بصری، طبقه بندی تصویری در مقیاس بزرگ،
ترجمه چکیده
در این مقاله یک رویکرد جدید برای یادگیری یک درخت چند معیاره چندگانه در سلسله مراتبی بیش از یک درخت بصری برای رسیدن به یک راه حل سریع برای طبقه بندی تصویری در مقیاس بزرگ، که در آن یک درخت بصری پیشرفته برای اولین بار آموخته برای سازماندهی تعداد زیادی از تصویر مقوله های سلسله مراتبی در حالت درشت و درشت. در درخت بصری، یک درخت از معیارهای چندگانه چند کاره به صورت سلسله مراتبی آموخته می شود: (الف) انجام یادگیری متریک چند تابع چندطبقه بر گره های فرزند خواهر و مادر زیر یک گره والدین، به صراحت متریال مشترک آنها را از گره جدا می کند. معیارهای خاص و (ب) انتشار متد گرید خاص برای گره اصلی به گره های فرزند خود (در سطح بعدی درخت بصری)، به طوری که بیشتر متریک های تبعیض آمیز را می توان برای کنترل انتشار خطا در سطح در سطح مقدماتی آموخت. ما الگوریتم یادگیری چندگانه چندگانه سلسله مراتبی خود را بر روی سه مجموعه مختلف تصویر ارزیابی کرده ایم و نتایج تجربی نشان داد که الگوریتم یادگیری چندگانه چندگانه سلسله مراتبی ما می تواند عملکرد بهتر را نسبت به الگوریتم های پیشرفته ای در مقیاس بزرگ به دست آورد طبقه بندی عکس
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یادگیری سلسله مراتبی از معیارهای چندتایی برای طبقه بندی تصویر بزرگ در مقیاس
چکیده انگلیسی
In this paper, a novel approach is developed to learn a tree of multi-task sparse metrics hierarchically over a visual tree to achieve a fast solution to large-scale image classification, where an enhanced visual tree is first learned to organize large numbers of image categories hierarchically in a coarse-to-fine fashion. Over the visual tree, a tree of multi-task sparse metrics is learned hierarchically by: (a) performing multi-task sparse metric learning over the sibling child nodes under the same parent node to explicitly separate their commonly-shared metric from their node-specific metrics; and (b) propagating the node-specific metric for the parent node to its sibling child nodes (at the next level of the visual tree), so that more discriminative metrics can be learned for controlling inter-level error propagation effectively. We have evaluated our hierarchical multi-task sparse metric learning algorithm over three different image sets and the experimental results demonstrated that our hierarchical multi-task sparse metric learning algorithm can obtain better performance than the state-of-the-art algorithms on large-scale image classification.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 67, July 2017, Pages 97-109
نویسندگان
, , , ,