توضیحات
ABSTRACT
In this paper, a novel method for introducing multiplex data relationships to the SVM optimization process is presented. Different properties about the training data are encoded in graph structures, in the form of pairwise data relationships. Then, they are incorporated to the SVM optimization problem, as modified graph-regularized basekernels, each highlighting a different property about the training data. The contribution of each graph-regularized kernel to the SVM classification problem, is estimated automatically. Thereby, the solution of the proposed modified SVM optimization problem lies in a regularized space, where data similarity is expressed by a linear combination of multiple single-graph regularized kernels. The proposed method exploits and extends the findings of Multiple Kernel Learning and graph-based SVM method families. It is shown that the available kernel options for the former can be broadened, and the exhaustive parameter tuning for the latter can be eliminated. Moreover, both method families can be considered as special cases of the proposed formulation, hereafter. Our experimental evaluation in visual data classification problems denote the superiority of the proposed method. The obtained classification performance gains can be explained by the exploitation of multiplex data relationships, during the classifier optimization process.
INTRODUCTION
Computer vision/visual analysis methods have found industrial applications in several areas such as in robotic systems e.g., unmanned aerial vehicles and virtual reality, and their growth over the past few years have been immense. Such visual analysis applications including face recognition, object recognition, human action recognition, human/object tracking and many other applications, are commonly addressed as classification problems . One of the most widely studied classification methods in visual analysis applications is the Support Vector Machines (SVM) classifier. SVM-based methods and extensions have been employed in mathematical/engineering problems including one-class and multiclass classification, regression and semi-supervised learning – . In its simplest form, SVM learns from labeled data examples originating from two classes, the hyperplane that separates them with the maximum margin, at the training data input (or feature) space. After its first proposal, SVM has been extended to determine decision functions in feature spaces obtained by employing non-linear data mappings, where data similarity is implicitly expressed by a kernel function.
چکیده
در این مقاله روش جدیدی برای معرفی روابط داده چندگانه به فرایند بهینه سازی SVM ارائه شده است. خواص مختلف در مورد داده های آموزشی در ساختارهای گراف، در قالب روابط داده های دو جانبه کدگذاری می شوند. سپس، آنها به مشکل بهینه سازی SVM، به صورت اصلاح شده اصلاح گره های پایه، هر کدام با ویژگی های متفاوت در مورد داده های آموزشی برجسته می شوند. سهم هر یک از هسته های حل شده ی گراف به مسئله ی طبقه بندی SVM، به صورت خودکار برآورد می شود. به این ترتیب، راه حل پیشنهاد بهینه سازی SVM اصلاح شده پیشنهاد شده در یک فضای منظم است، که در آن شباهت داده ها توسط یک ترکیب خطی از هسته های مجاز چندگانه چندگانه بیان شده است. روش پیشنهادی، بهره گیری از یافته ها و گسترش یافته های آموزش چند هسته ای و مبتنی بر گرافیک مبتنی بر SVM است. نشان داده شده است که گزینه های هسته موجود برای سابق می تواند گسترش یابد و تنظیم پارامتر کامل برای دومی می تواند حذف شود. علاوه بر این، خانواده های هر دو روش می توانند بعنوان نمونه های ویژه ای از فرمول بندی پیشنهادی در نظر گرفته شوند. ارزیابی تجربی ما در مسائل مربوط به طبقه بندی اطلاعات بصری، برتری روش پیشنهادی را نشان می دهد. دستاوردهای عملکرد طبقه بندی شده به دست آمده می تواند توسط بهره برداری از روابط داده چندگانه در طی فرآیند بهینه سازی طبقه بندی توضیح داده شود.
مقدمه
روش های بینایی کامپیوتری / روش های تجزیه و تحلیل بصری در زمینه های مختلف مانند سیستم های رباتیک مانند وسایل نقلیه هوایی بدون سرنشین و واقعیت مجازی در زمینه های مختلف استفاده شده است و رشد آنها در چند سال گذشته بی حد و حصر بوده است. چنین برنامه های تجزیه و تحلیل بصری از جمله تشخیص چهره، تشخیص چهره، تشخیص عمل انسان، ردیابی انسان / شی و بسیاری از برنامه های کاربردی دیگر، معمولا به عنوان مشکلات طبقه بندی می شود. یکی از روشهای طبقه بندی گسترده ای که در برنامه های تجزیه و تحلیل بصری مورد استفاده قرار می گیرد، طبقه بندی Vector Vector Vector (SVM) است. در روشهای ریاضی / مهندسی، از جمله روش طبقه بندی یک کلاس و کلاس چند طبقه، رگرسیون و یادگیری نیمه نظارتی، روش های و اصطلاحات مبتنی بر SVM مورد استفاده قرار گرفته است. در ساده ترین شکل، SVM از نمونه های برچسب داده شده از دو کلاس یاد می گیرد، پرپیپر که آنها را با حداکثر حاشیه، در فضای ورود داده های آموزش (یا ویژگی) جدا می کند. پس از اولین پیشنهاد خود، SVM گسترش یافته است تا توابع تصمیم گیری در فضاهای مشخص شده به دست آمده با استفاده از نقشه های غیر خطی داده ها، که در آن شباهت داده به صورت ضمنی توسط یک تابع هسته بیان شده است.
Year: 2019
Publisher : ELSEVIER
By : Vasileios Mygdalis, Anastasios Tefas, Ioannis Pitas
File Information: English Language/ 8 Page / size: 349 KB
سال : 1397
ناشر : ELSEVIER
کاری از : Vasileios Mygdalis، Anastasios Tefas، Ioannis Pitas
اطلاعات فایل : زبان انگلیسی / 8 صفحه / حجم : KB 349
نقد و بررسیها
هنوز بررسیای ثبت نشده است.