文献

J-GLOBAL ID：202002258720637507   整理番号：20A2786643

二重部分空間識別射影学習【JST・京大機械翻訳】

Dual subspace discriminative projection learning

著者 (3件)： Belous Gregg (School of Engineering, Griffith University, Australia) ,  Busch Andrew (School of Engineering, Griffith University, Australia) ,  Gao Yongsheng (School of Engineering, Griffith University, Australia)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 111  ページ： Null  発行年： 2021年 
JST資料番号： D0611A  ISSN： 0031-3203  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： 本論文では,マルチカテゴリ画像分類のための二重部分空間識別射影学習(DSDPL)フレームワークを提案した。この手法は,画像がクラス共有情報,クラス固有情報,およびスパース雑音から成るという概念を反映する。従来の部分空間学習法とは異なり,DSDPLは,学習射影行列を介して,元の高次元データをクラス共有とクラス固有部分空間に分解する。学習射影行列は,L_2,1スパースノルムおよびLDA項で共同制約され,一方,DSDPLの再構成特性は情報損失を低減し,低次元部分空間内でより大きな安定性をもたらす。より良い分類のために抽出されたクラス特異的特徴を用いて,よりロバストな分類手法を容易にするために,回帰ベース項も含まれている。この手法を,顔,オブジェクトおよびシーン分類のための5つの異なるデータセットに関して検討した。実験結果は,現在のベンチマーク手法に対するDSDPLの優位性と汎用性だけでなく,低サンプルサイズ訓練データによるよりロバストな分類手法も示す。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *学習 ,  特徴抽出 ,  汎用性 ,  再構成 ,  *射影 ,  ベンチマーク ,  ロバスト性 ,  ノルム
準シソーラス用語： 訓練データ ,  画像分類 ,  *部分空間 ,  低次元 ,  射影行列 ,  高次元データ , 【Automatic Indexing@JST】

著者キーワード (5件)： パターン認識 ,  特徴抽出 ,  部分空間学習 ,  画像分類 ,  部分空間識別投影

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 部分空間 ,  識別 ,  射影 ,  学習