文献

J-GLOBAL ID：201902216371953008   整理番号：19A0517197

ロバスト特徴抽出のためのスパース符号化による判別多様体学習【JST・京大機械翻訳】

Discriminant Manifold Learning via Sparse Coding for Robust Feature Extraction

著者 (4件)： Pang Meng (Department of Computer Science, Hong Kong Baptist University, Hong Kong) ,  Wang Binghui (Department of Electrical and Computer Engineering, Iowa State University, Ames, IA, USA) ,  Cheung Yiu-Ming (Department of Computer Science, Hong Kong Baptist University, Hong Kong) ,  Lin Chuang (Chinese Academy of Sciences, Shenzhen Institutes of Advanced Technology, Shenzhen, China)
資料名： IEEE Access  (IEEE Access)
巻： 5  ページ： 13978-13991  発行年： 2017年 
JST資料番号： W2422A  ISSN： 2169-3536  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： ほとんどのオフ-棚部分空間学習法は,異なる画像成分の異なる寄与を無視しながら,元の入力画像の統計的特性を直接計算する。事実,画像解析のための効率的な特徴を抽出するために,画像における雑音または自明な構造はほとんど寄与しなければならず,固有の構造は明らかにされなければならない。この観察に動機付けられて,著者らは,新しい部分空間学習法,すなわち,ロバストな特徴抽出のためのスパース符号化(DML_SC)による判別多様体学習を提案した。具体的には,まず最初に,各入力画像を辞書学習によりいくつかの成分に分解し,次に,コンポーネントをより重要な部分(MIP)とより重要でない部分(LIP)に再グループ化する。MIPは低次元サブマニホールド上に存在する画像のクリーン部分と考えられ,一方,LIPは画像内の雑音または自明な構造として考えられる。最後に,MIPとLIPを,望ましい識別部分空間を学習するために多様体学習に組み込んだ。提案した方法は,クラスラベルの有無にかかわらず,両方のケースに対して一般的であり,したがって,監督されたDML_SC(SDML_SC)と教師なしのDML_SC(UDML_SC)を生成する。4つのベンチマークデータセットに関する実験結果は,画像認識とクラスタ化タスクの両方に関する提案したDML_SCsの有効性を実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 画像分析 ,  画像 ,  クラスタ化 ,  雑音 ,  画像認識 ,  有効性 ,  *ロバスト性 ,  *特徴抽出 ,  ベンチマーク ,  *学習
準シソーラス用語： 低次元 ,  辞書学習 ,  統計的特性 ,  部分空間学習 ,  *多様体学習 ,  *スパースコーディング , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： ロバスト ,  特徴抽出 ,  スパース符号化 ,  判別 ,  多様体学習