文献

J-GLOBAL ID：201702279519066990   整理番号：17A0472947

特徴表現特性による視覚分類のための教師なし特徴選択【Powered by NICT】

Unsupervised feature selection for visual classification via feature-representation property

著者 (5件)： He Wei (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin 541004, China) ,  Zhu Xiaofeng (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin 541004, China) ,  Cheng Debo (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin 541004, China) ,  Hu Rongyao (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin 541004, China) ,  Zhang Shichao (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin 541004, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 236  ページ： 5-13  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： 特徴選択は「次元の呪い」の問題を回避するための特徴の部分集合を選択するために設計した。本論文では,教師なし特徴選択のための新しい特徴レベル自己表現フレームワークを提案した。具体的には,提案した方法は最初の他の特徴による各特徴をまばらに表現するための特徴レベル自己表現損失関数を使用し,次に特徴選択を行うための係数行列の列スパース性を得るために2,pノルム正則化項を採用している。ベンチマークデータベース上での実験結果により,提案方法は最先端の方法より最も関連性のある特徴を選択することを示した。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： 部分集合 ,  視覚 ,  透視図法 ,  ノルム ,  *特徴選択 ,  損失関数 ,  正則化
準シソーラス用語： スパース性 ,  係数行列 ,  自己表現 ,  次元の呪い ,  *特徴表現 , 【Automatic Indexing@JST】

著者キーワード (4件)： 特徴選択 ,  自己表現 ,  スパース学習 ,  教師なし学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 特徴表現 ,  視覚 ,  分類 ,  教師 ,  特徴選択