کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6957184 1451915 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning a discriminative dictionary for classification with outliers
ترجمه فارسی عنوان
یک فرهنگ لغت تبعیض آمیز را برای طبقه بندی با ناهنجاریها یاد بگیرید
کلمات کلیدی
یادگیری فرهنگ لغت طبقه بندی، نمایندگی انحصاری،
ترجمه چکیده
یادگیری دیکشنری هدف از پیدا کردن یک فرهنگ لغت است که در آن سیگنال ها در برخی از گروه ها دارای نمایش های ناقص هستند و برای طبقه بندی موفقیت آمیز است. با این حال، روش های یادگیری فرهنگی سنتی برای طبقه بندی فرض می کند هیچ اطلاعاتی در مورد آموزش وجود ندارد، که ممکن است در کاربردهای عملی وجود نداشته باشد. در این مقاله، یک چارچوب یادگیری جدید فرهنگ لغت دیجیتالی را برای طبقه بندی پیشنهاد می کنیم که به طور همزمان یک فرهنگ لغت تبعیض آمیز را می آموزد و اطلاعات موجود در آنها را شناسایی می کند. چارچوب یادگیری فرهنگ لغت به یک مشکل بهینه سازی با تنظیم کننده های طراحی شده برای ترویج هر دو از تبعیض و قابلیت تشخیص فراتر رفته است. ما عملکرد برتر رویکرد پیشنهادی را در مقایسه با جایگزین های پیشرفته تر با انجام آزمایش های گسترده بر روی وظایف طبقه بندی تصویر مختلف نشان می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
یک فرهنگ لغت تبعیض آمیز را برای طبقه بندی با ناهنجاریها یاد بگیرید
چکیده انگلیسی
Dictionary learning aims to find a dictionary where signals in some ensemble have sparse representations, and has been successfully applied for classification. However, traditional dictionary learning methods for classification assume there is no outlier in the training data, which may not be the case in practical applications. In this paper, we propose a new discriminative dictionary learning framework for classification, which simultaneously learns a discriminative dictionary and detects outliers in the data. The dictionary learning framework is formulated into an optimization problem with designed regularizers to promote both the discrimination and outlier-detection capability. We demonstrate the superior performance of the proposed approach in comparison with state-of-the-art alternatives by conducting extensive experiments on various image classification tasks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 152, November 2018, Pages 255-264
نویسندگان
, ,