您正在使用IE低版浏览器,为了您的雷峰网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
人工智能 正文
发私信给章敏
发送

0

ECAI 2016论文精选 | 图像分类的随机分布特征

本文作者:章敏 2016-08-30 18:23
导语:ECAI 2016是欧洲展示AI科学成果的最佳场所,大会为研究人员提供了很好的机会,去介绍和听取当代最优秀的人工智能研究成果。

导读:ECAI 2016是欧洲展示AI科学成果的最佳场所,大会为研究人员提供了很好的机会,去介绍和听取当代最优秀的人工智能研究成果。

图像分类的随机分布特征(Randomized Distribution Feature for Image Classification)

ECAI 2016论文精选 | 图像分类的随机分布特征

摘要:局部图像特征可以被假定是从一个未知的分布中描绘出来的。而对于图像分类,这样的特征则是通过基于直方图的模型或基于度量的模型进行比较。将这些局部特征为量化一组直方图,基于直方图的模型非常方便,而且有图像的矢量表示,但信息可能会在矢量量化时丢失。与基于直方图的模型不同的是,基于度量的模型在局部特征的潜在分布上估计指标,实现更好的预测性能。然而,该模型需要更高的计算成本,而且没有了矢量表示图像的效益。

为了保持这两种模式的优势,本文提出(双)随机分布特征,利用随机傅立叶特征将每个图像的局部特征的潜在分布表示成一个矢量特征。我们证明了相似性和距离的收敛基于随机分布特征。随机分布特征的显著优点是它有矢量表示,因此可以有效地计算成基于直方图的模型。此外,它提供了严格的理论保证和像基于度量的模型一样具有竞争性的性能。相比于结果最好的算法,在三个现实世界数据集中的实验表明,我们提出的方法以更快的计算速度达到了具有竞争性的分类精度。此外,我们证明了我们提出的特征可以利用基于矢量学习的方法,它在传统的机器学习领域早已受到广泛研究,以处理基于分布学习中的问题。

第一作者

Hongming Shan

职位:复旦大学计算机科学学院博士

研究方向:机器学习,数据挖掘,计算机视觉,降维,随机算法等

相关学术论文:

·“Learning Linear Representation of Space Partitioning Trees based on Unsupervised Kernel Dimension Reduction”(IEEE Transactions on Cybernetics, 2016)

·“Real-valued Multivariate Dimension Reduction”(Machine Learning and Application 2013)

via:ECAI  2016

PS : 本文由雷锋网独家编译,未经许可拒绝转载!

原论文下载

ECAI 2016论文精选 | 图像分类的随机分布特征


雷峰网原创文章,未经授权禁止转载。详情见转载须知

ECAI 2016论文精选 | 图像分类的随机分布特征

分享:
相关文章
当月热门文章
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说