文献

J-GLOBAL ID：201702253608994461   整理番号：17A0406499

新しい整合測定を用いた教師つき非負行列因数分解に基づく画像マルチラベル注釈【Powered by NICT】

Image multi-label annotation based on supervised nonnegative matrix factorization with new matching measurement

著者 (5件)： Jia Xu (School of Electronic and Information Engineering, Liaoning University of Technology, 169 Shiying Street, Guta District, Jinzhou, Liaoning, PR China) ,  Sun Fuming (School of Electronic and Information Engineering, Liaoning University of Technology, 169 Shiying Street, Guta District, Jinzhou, Liaoning, PR China) ,  Li Haojie (School of Software, Dalian University of Technology, Dalian, China) ,  Cao Yudong (School of Electronic and Information Engineering, Liaoning University of Technology, 169 Shiying Street, Guta District, Jinzhou, Liaoning, PR China) ,  Zhang Xing (School of Electronic and Information Engineering, Liaoning University of Technology, 169 Shiying Street, Guta District, Jinzhou, Liaoning, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 219  ページ： 518-525  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 非負行列因数分解(NMF)は,その開始以来,を研究するために,パターン認識とデータマイニングの分野で多くの研究者を集めている。今日まで,多数の変異体法を成功裏に提案し,画像検索と画像単一標識アノテーション(SLA)した。しかし,マルチラベル注釈(MLA)のためのNMFの有効性は困難に遭遇し,同時に開放話題。この目標を達成するために,本論文では,MLA精度向上のための新しいマッチング測定を用いた教師つきNMFを提案した。スパースまたは判別制約を持つ他のNMFアルゴリズムとは対照的に,提案したNMFアルゴリズムは教師つき学習法を実装し,特徴次元縮小を統合している。より,それぞれ正および負の試料を考慮することにより,新しいマッチング測定機能,MLAに対してより適していることが証明されたを改善する。さらに,提案NMF目的関数は,射影勾配法を用いて解き,画像アノテーションを達成できた。NUSWIDEデータセットに関する実験結果は,提案したアルゴリズムでは本人拒否率(FRR)と他人誤認率(FAR)の点で既存のアルゴリズムと比較して強い性能を達成できることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 次元縮小 ,  データマイニング ,  制約条件 ,  *画像 ,  目的関数 ,  画像検索 ,  アルゴリズム ,  *アノテーション ,  射影 ,  教師つき学習 ,  傾斜法 ,  マッチング
準シソーラス用語： 画像アノテーション ,  高精度化 ,  *行列因数分解 , 【Automatic Indexing@JST】

著者キーワード (4件)： 非負行列因数分解 ,  マルチラベル注釈 ,  教師つき学習 ,  マッチング測定

分類 (2件)： 数値計算  (JE02000J) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 整合 ,  教師 ,  非負行列因数分解 ,  マルチ ,  ラベル ,  注釈