文献

J-GLOBAL ID：201902225712859366   整理番号：19A1665730

テクスチャ分類における非線形次元縮小:多様体学習はPCAより良いか?【JST・京大機械翻訳】

Nonlinear Dimensionality Reduction in Texture Classification: Is Manifold Learning Better Than PCA?

著者 (2件)： Nsimba Cedrick Bamba (Department of Computer Science, Federal University of Sao Carlos, Sao Carlos, SP, Brazil) ,  Levada Alexandre L. M. (Department of Computer Science, Federal University of Sao Carlos, Sao Carlos, SP, Brazil)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11540  ページ： 191-206  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文は,多様体学習と線形次元縮小に属するアルゴリズムの比較分析を提示した。まず第一に,古典的テクスチャ画像記述子,すなわちGray-Level Co-発生行列特徴,Haralick特徴,配向勾配特徴のヒストグラム,および局所二値パターンを結合して,テクスチャを特性化して識別した。いくつかのテクスチャ画像から抽出したパッチに対して,画像ディスクリプタの連結を実行した。主成分分析(PCA),局所線形埋め込み(LLE),等距離特徴マッピング(ISOMAP),およびLaplace Eigenmas(Lap.EIG)を用いて,次元縮小を達成した。次に,得られた学習特徴を用いて,4つの異なる分類器を訓練した。k-最近傍,ナイーブBayes,ディシジョンツリーおよび多層パーセプトロンである。最後に,非パラメトリック統計的仮説検定,Wilcoxon Signed-rank試験を用いて,多様体学習アルゴリズムがPCAよりも優れているか否かを明らかにした。OutexおよびSalzburgデータセットを用いて計算実験を行い,得られた結果は,実施した12の比較の中で,PCAがISOMAP,LLEおよびLapよりも良好な結果を示すことを示した。3つの比較におけるEig.残りの9つの比較は有意差を示さず,テクスチャ画像(より大きいデータベース)の膨大な収集の存在において,画像特徴記述子または生画像データから直接抽出されたパッチと多様体学習技術の組合せがテクスチャ分類を改善できる可能性があることを示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *多様体 ,  データベース ,  ディシジョンツリー ,  主成分分析 ,  キャラクタリゼーション ,  統制索引語 ,  学習アルゴリズム ,  *線形性 ,  画像 ,  ヒストグラム ,  *学習 ,  *次元縮小
準シソーラス用語： *質感 ,  テクスチャ画像 ,  *多様体学習 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： テクスチャ分類 ,  非線形次元縮小 ,  多様体学習 ,  PCA