کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6938820 1449966 2018 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning with privileged information for multi-Label classification
ترجمه فارسی عنوان
یادگیری با اطلاعات ممتاز برای طبقه بندی چند لایحه
کلمات کلیدی
اطلاعات منحصر به فرد، طبقه بندی چند لایک، محدودیت مشابهی،
ترجمه چکیده
در این مقاله، یک رویکرد جدید برای یادگیری طبقه بندی های چند برچسب با کمک اطلاعات ممتاز پیشنهاد می کنیم. به طور خاص، از محدودیت های شباهت استفاده می کنیم تا رابطه بین اطلاعات موجود و اطلاعات مهمی را به دست آوریم و از محدودیت های رتبه بندی برای ضبط وابستگی ها در میان برچسب های متعدد استفاده کنیم. با ادغام محدودیت های شباهت و محدودیت های رتبه بندی در فرایند یادگیری طبقه بندی ها، اطلاعات ممتاز و وابستگی ها در میان برچسب های چندگانه برای ایجاد طبقه بندی بهتر در طول آموزش مورد سوء استفاده قرار می گیرند. یک طبقه بندی حداکثر حاشیه اتخاذ شده است و یک الگوریتم یادگیری کارآمد از روش پیشنهادی نیز توسعه یافته است. ما روش پیشنهادی را در دو کاربرد مورد بررسی قرار می دهیم: تشخیص چندین از تصاویر با کمک اطلاعات ضمنی در مورد اهمیت شی که توسط فهرست تگ های تصویر مشخص شده با دست به صورت دستی منتقل می شود. و تشخیص واحد چندگانه صورت از تصاویر با وضوح پایین افزوده شده با تصاویر با وضوح بالا. نتایج تجربی نشان می دهد که روش پیشنهادی می تواند به طور موثری از اطلاعات و وابستگی های اختصاصی در میان برچسب های متعدد برای شناسایی بهتر شئ و تشخیص واحد بهتر عمل صورت بگیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یادگیری با اطلاعات ممتاز برای طبقه بندی چند لایحه
چکیده انگلیسی
In this paper, we propose a novel approach for learning multi-label classifiers with the help of privileged information. Specifically, we use similarity constraints to capture the relationship between available information and privileged information, and use ranking constraints to capture the dependencies among multiple labels. By integrating similarity constraints and ranking constraints into the learning process of classifiers, the privileged information and the dependencies among multiple labels are exploited to construct better classifiers during training. A maximum margin classifier is adopted, and an efficient learning algorithm of the proposed method is also developed. We evaluate the proposed method on two applications: multiple object recognition from images with the help of implicit information about object importance conveyed by the list of manually annotated image tags; and multiple facial action unit detection from low-resolution images augmented by high-resolution images. Experimental results demonstrate that the proposed method can effectively take full advantage of privileged information and dependencies among multiple labels for better object recognition and better facial action unit detection.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 81, September 2018, Pages 60-70
نویسندگان
, , , ,