版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、多視圖學(xué)習(xí)是指針對有多個特征表示數(shù)據(jù)的智能學(xué)習(xí)方式。在過去的十幾年中,多視圖學(xué)習(xí)受到了極大關(guān)注并且有許多理論成果和實(shí)際應(yīng)用算法。但是到現(xiàn)在為止,大部分相關(guān)工作都集中在傳統(tǒng)的多視圖分類、聚類和降維任務(wù),并且只能被應(yīng)用到全配對場景。然而現(xiàn)實(shí)應(yīng)用持續(xù)引出新的復(fù)雜學(xué)習(xí)場景。比如,多視圖分類和檢索任務(wù)有時依賴于合適的度量,因而需要解決多視圖度量學(xué)習(xí)的任務(wù)。另外在有些嚴(yán)苛的場景中,多視圖數(shù)據(jù)在收集和傳輸過程中會由于設(shè)備故障、惡意攻擊和應(yīng)用場景限制等
2、原因不能保證是完全配對的。因此,如何設(shè)計適用于該場景的多視圖學(xué)習(xí)算法也是本文所主要考慮的問題。而且,將多視圖學(xué)習(xí)的方法移植到單視圖學(xué)習(xí)中也能夠提升單視圖學(xué)習(xí)的性能。本文主要貢獻(xiàn)總結(jié)如下,1)提出一個co-training風(fēng)格的多視圖度量學(xué)習(xí)算法co-metric。該算法受co-training的學(xué)習(xí)思想啟發(fā),為每個視圖學(xué)習(xí)一個度量,并且通過使它們互相教的方式來提升它們的性能。而且,它能利用現(xiàn)有的單視圖學(xué)習(xí)算法,因而實(shí)現(xiàn)十分簡單。該算法的
3、關(guān)鍵步驟是用學(xué)到的度量來挑選出可靠標(biāo)號的樣本。為此,我們設(shè)計了一個簡單有效的方法:將K近鄰算法的參數(shù)K設(shè)置為一個較大的正數(shù)。實(shí)驗表明了該算法的有效性。
2)提出一個通過同時對齊先驗和后驗概率學(xué)習(xí)在完全無配對場景下的跨視圖度量的模型MLHD。該模型首先將每個視圖的樣本映射到一個公共空間中,然后同時對齊它們的先驗概率p(sample)和后驗概率p(label|sample)。通過調(diào)整和變量替換,該模型能夠只用一個半正定矩陣來重新參
4、數(shù)化。通過引入一個對數(shù)行列式函數(shù)來正則化該矩陣參數(shù),MLHD模型能夠用Bregman投影算法來優(yōu)化,并且能夠自動保持矩陣的半正定性。之后,我們證明該模型有一個等價的只依賴于樣本內(nèi)積的優(yōu)化問題,因而能夠被方便地核化。實(shí)驗證明,該模型在跨語言檢索和跨域的目標(biāo)識別任務(wù)中有良好的表現(xiàn)。
3)介紹了一種新的輔助信息,即跨視圖的must-link和cannot-link,并且將其應(yīng)用到完全無配對場景下的多視圖分類任務(wù)中。這種新的輔助信息是
5、廣泛使用的單視圖must-link和cannot-link的一個自然推廣,指示了在不同視圖中的兩個樣本是否有相同的標(biāo)號。我們改造了經(jīng)典的正則化模型,通過添加跨視圖的must-link和cannot-link正則化項來將該輔助信息應(yīng)用到完全無配對場景下的多視圖分類任務(wù)中。實(shí)驗證實(shí)了該輔助信息的有效性。
4)提出了一個在單視圖數(shù)據(jù)上通過構(gòu)造一個新的數(shù)據(jù)聚類視圖來同時學(xué)習(xí)分類和聚類的模型。該模型利用數(shù)據(jù)聚類視圖來結(jié)合分類和聚類任務(wù),
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 多視圖特征學(xué)習(xí)方法研究.pdf
- 多視圖嵌入學(xué)習(xí)方法及其應(yīng)用研究.pdf
- 復(fù)雜場景下的目標(biāo)跟蹤方法研究.pdf
- 復(fù)雜場景下多攝像機(jī)多目標(biāo)跟蹤方法研究.pdf
- 多示例多標(biāo)記哈希學(xué)習(xí)方法研究.pdf
- 復(fù)雜場景下的行人檢測方法研究.pdf
- 復(fù)雜場景下Logo識別方法的研究.pdf
- 數(shù)據(jù)復(fù)雜度的增量學(xué)習(xí)方法研究.pdf
- 多視圖建筑場景立面建模研究.pdf
- 多智能體協(xié)作學(xué)習(xí)方法的研究.pdf
- 基于SVDD的多示例學(xué)習(xí)方法的研究.pdf
- 多智能體強(qiáng)化學(xué)習(xí)方法研究.pdf
- 多視角局部子空間學(xué)習(xí)方法研究.pdf
- 多核學(xué)習(xí)下的場景分類方法研究.pdf
- 基于K近鄰的多標(biāo)簽學(xué)習(xí)方法研究.pdf
- 復(fù)雜場景下背景建模方法的研究與實(shí)現(xiàn).pdf
- 基于樣本加權(quán)的多示例多標(biāo)記遷移學(xué)習(xí)方法研究.pdf
- 結(jié)構(gòu)假設(shè)下的多視圖場景重建.pdf
- 復(fù)雜場景下運(yùn)動目標(biāo)檢測與跟蹤方法的研究.pdf
- 復(fù)雜場景下運(yùn)動目標(biāo)的視覺跟蹤方法研究.pdf
評論
0/150
提交評論