文献

J-GLOBAL ID：202102221430592329   整理番号：21A3307526

適応重みづけベース多様体学習による新しいロバスト低ランク多視点ダイバーシチ最適化モデル【JST・京大機械翻訳】

A Novel Robust Low-rank Multi-view Diversity Optimization Model with Adaptive-Weighting Based Manifold Learning

著者 (6件)： Tan Junpeng (School of Information Engineering, Guangdong University of Technology, Guangzhou, 510006, China) ,  Yang Zhijing (School of Information Engineering, Guangdong University of Technology, Guangzhou, 510006, China) ,  Ren Jinchang (National Subsea Centre, Robert Gordon University, Aberdeen, AB21 0BH, U.K.) ,  Wang Bing (Department of Computer Science and Technology, University of Hull, Hull, HU6 7RX, UK.) ,  Cheng Yongqiang (Department of Computer Science and Technology, University of Hull, Hull, HU6 7RX, UK.) ,  Ling Wing-Kuen (School of Information Engineering, Guangdong University of Technology, Guangzhou, 510006, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 122  ページ： Null  発行年： 2022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： マルチビュークラスタリングは,主に異なるビュー間の独立性と情報相補性のため,ホットだが挑戦的な話題になっている。良好な結果は,マルチビューベースのk-平均クラスタリング,スパース協調表現クラスタリングおよび部分空間クラスタリングを含む典型的方法からある程度達成されるが,それらはいくつかの欠点または限界に悩まされている。(1)各視点がまばらに分解される場合,サンプル構造,クラス内類似性測度,クラス間多様性識別など,マイニングのためのいくつかの隠れ情報が含まれている。(2)既存のマルチビュー手法の大部分は,各ビュー内の局所特徴を考慮するだけであるが,多様な方法で異なる視点間の情報の重要性を効果的にバランスさせ,結合できない。これらの問題に取り組むため,ロバストな双線形誤差分解(BED)に基づく新しい多視点ダイバーシチ学習モデルを提案した。低ランクスパース制約を有するBED項は,改良非負行列因数分解(NMF)であり,それは,誤りマトリックスにおけるスパース分解と有用な多様性識別情報における隠れ構造情報を抽出するために使用する。適応加重多様体学習により,局所特徴の保存と重要な視点の選択を達成した。さらに,Hilbert Schmidt独立基準を,ビュー間の相互学習と融合のための多様性学習項として使用した。最後に,提案したロバスト低ランク多視点多様性学習スペクトルクラスタリング法を評価し,8つの最先端の方法でベンチマークした。6つの実データセットにおける実験は,マルチビュー画像の効果的クラスタリングのために,提案した方法論の著しく改善された精度と効率を完全に検証した。Copyright 2021 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： 測度 ,  *学習 ,  学習モデル ,  *ダイバーシチ通信 ,  クラスタ化 ,  相補性 ,  重みづけ ,  類似性 ,  ベンチマーク ,  *ロバスト性
準シソーラス用語： 多視点画像 ,  *最適化モデル ,  *多様体学習 ,  局所特徴 ,  非負行列因子分解 , 【Automatic Indexing@JST】

著者キーワード (5件)： 低ランク表現(LRR) ,  多視点部分空間クラスタリング(MVSC) ,  Hilbert Schmidt独立基準(HSIC) ,  非負行列因子分解(NMF) ,  適応重みづけ多様体学習(AWML)

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

タイトルに関連する用語 (7件)： 適応 ,  重みづけ ,  多様体学習 ,  ロバスト ,  視点 ,  ダイバーシチ ,  最適化モデル