カーネル相関最大化と識別構造保存によるクロスモーダル部分空間学習【JST・京大機械翻訳】

Yu Jun; Wu Xiao-Jun

プレプリント

J-GLOBAL ID：202202219429796420 整理番号：22P0059179

カーネル相関最大化と識別構造保存によるクロスモーダル部分空間学習【JST・京大機械翻訳】

Cross-modal Subspace Learning via Kernel Correlation Maximization and Discriminative Structure Preserving

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2019年03月26日プレプリントサーバーでの情報更新日： 2020年01月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

不均一データ間の測度はまだ未解決問題である。異なるモダリティ間の類似性を直接計算できる共通の部分空間を学習するために多くの研究が開発されている。しかしながら,既存の研究の多くは潜在部分空間の学習に焦点を合わせているが,意味的構造情報はよく保存されていない。したがって,これらのアプローチは望ましい結果を得ることができない。本論文では,カーネル相関最大化と識別構造保存(CKD)によるクロスモーダル部分空間学習と呼ばれる新しいフレームワークを提案し,この問題を2つの側面で解いた。第1に,著者らは,各モダリティデータを意味的に近隣関係を保存するために共有セマンティックグラフを構築した。第二に,サンプルの特徴類似性と意味類似性の間の一貫性を確実にするために,Hilbert-Schmidt独立基準(HSIC)を導入した。本モデルは,カーネル相関を最大化することにより,モード間相関を考慮するだけでなく,各モダリティ内の意味的構造情報も保存する。広範な実験を行い,3つの公開データセットに関する提案フレームワークを評価した。実験結果は,提案したCKDが古典的部分空間学習法と比較して競合することを示した。【JST・京大機械翻訳】

, , , , , ,
, , , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能 , 図形・画像処理一般

, , , , ,

前のページに戻る