文献

J-GLOBAL ID：201802233093728520   整理番号：18A0133263

画像表現のためのサンプル多様性を用いたグラフ正則化非負行列因数分解【Powered by NICT】

Graph Regularized Nonnegative Matrix Factorization with Sample Diversity for Image Representation

著者 (3件)： Wang Changpeng (School of Mathematics and Information Science, Chang’an University, Xi’an 710064, China) ,  Song Xueli (School of Mathematics and Information Science, Chang’an University, Xi’an 710064, China) ,  Zhang Jiangshe (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an 710049, China)
資料名： Engineering Applications of Artificial Intelligence  (Engineering Applications of Artificial Intelligence)
巻： 68  ページ： 32-39  発行年： 2018年 
JST資料番号： T0797A  ISSN： 0952-1976  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,データマイニング,およびコンピュータビジョンにおける次元縮小と特徴抽出のための効果的なアルゴリズムである。因数分解に非負制約を組み込むと,部品ベース表現を得た。しかし,既存のNMF変異体は完全に限定されたラベル情報を利用し,ラベルなしサンプル多様性を無視できない。表現学習を促進するためのラベル情報と多様性を利用し,試料ダイバーシチを用いたグラフ正則化非負行列因数分解(GNMFSD)と呼ばれる新しいNMF法を提案した。具体的には,最初に固有の幾何学的情報をコードするグラフ正則化項を組み込んでいる。さらに,ラベル付きサンプルと仮想サンプルに基づく二再構成正則化項も提示したが,これはより識別的で効果的であることを新しい表現を改善する可能性がある。反復更新最適化方式をGNMFSDの目的関数を解くために開発されると著者らのスキームの収束性も証明した。標準画像データベース上での実験結果は,画像クラスタリングにおける提案手法の有効性を検証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 最適化 ,  *正則化 ,  学習 ,  コンピュータビジョン ,  次元縮小 ,  特徴抽出 ,  *因数分解 ,  クラスタ化 ,  アルゴリズム ,  データベース ,  目的関数 ,  データマイニング ,  再構成
準シソーラス用語： *非負行列因子分解 ,  *画像表現 , 【Automatic Indexing@JST】

著者キーワード (4件)： 非負行列因数分解 ,  半教師つき学習 ,  サンプル多様性 ,  クラスタリング

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 画像表現 ,  サンプル ,  多様性 ,  グラフ ,  正則化 ,  非負行列因数分解