文献

J-GLOBAL ID：201702263350739330   整理番号：17A1641741

画像クラスタ化のための正則化非負低ランク行列因数分解をグラフ【Powered by NICT】

Graph Regularized Non-Negative Low-Rank Matrix Factorization for Image Clustering

著者 (3件)： Li Xuelong (Center for Optical Imagery Analysis and Learning, State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China) ,  Cui Guosheng (Center for Optical Imagery Analysis and Learning, State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China) ,  Dong Yongsheng (Center for Optical Imagery Analysis and Learning, State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 11  ページ： 3840-3853  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 非負行列因数分解(NMF)は機械学習やコンピュータビジョンの分野において特徴学習のための最も一般的な方法の一つである。大部分の既存の研究は,原画像の効果的な表現を計算するための高次元画像データセットにNMFを適用した。しかし,実際に,画像の与えられたクラスの一般的な重要な情報は,それらの低ランク部分で隠されている。有効低ランクデータ表現を得るために,本論文では,画像クラスタリングのための非負低ランク行列因数分解(NLMF)法を提案した。多様体構造におけるデータのロバスト性を向上させることを目的として,筆者らが提案した目的関数に多様体構造情報を組み込むことによりグラフ正則化NLMFを提案した。最後に,クラスタリングのための画像の低品位部品の低次元表現を学習するための効率的な交互反復アルゴリズムを開発した。代わりに,ここではまた,提案方式にロバストな主成分分析を組み込んだ。四画像データセット上での実験結果により,提案した方法は,四種の代表的な法より優れていることを明らかにした。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： コンピュータビジョン ,  *グラフ ,  *画像 ,  機械学習 ,  ロバスト性 ,  *正則化 ,  主成分分析 ,  多様体 ,  高次元 ,  目的関数 ,  *クラスタ化 ,  データ表現
準シソーラス用語： 画像データ ,  非負行列因子分解 ,  *行列因数分解 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： クラスタ化 ,  正則化 ,  行列因数分解 ,  グラフ