Insights from classifying visual concepts with multiple kernel learning.
Insights from classifying visual concepts with multiple kernel learning.
复制标题
DOI：
10.1371/journal.pone.0038897
复制
发表时间：
2012
期刊：
影响因子：
3.7
通讯作者：
Kawanabe M
中科院分区：
文献类型：
--
作者：
Binder A;Nakajima S;Kloft M;Müller C;Samek W;Brefeld U;Müller KR;Kawanabe M
综合来自各种图像特征的信息已成为概念识别任务中的标准技术。然而，在实际应用中，对所得到的核函数进行最优融合的方法通常是未知的。多核学习(MKL)技术允许确定这样的相似性矩阵的最佳线性组合。经典的MKL方法促进稀疏混合。不幸的是，1范数正则化的MKL变体经常被观察到被未加权和核超越。本文的主要贡献如下：从计算机视觉的应用领域出发，将最近发展起来的非稀疏MKL变体应用于最新概念识别任务。我们深入分析了非稀疏MKL的优点和局限性，并将其与其直接竞争对手和核支持向量机以及稀疏MKL进行了比较。我们报告了PASCAL VOC 2009分类和ImageCLEF2010图片注释挑战数据集的经验结果。数据集(内核矩阵)以及更多信息可在http://doc.ml.tu-berlin.de/image_mkl/(Accessed上获得(2012年6月25日)。
Combining information from various image features has become a standard technique in concept recognition tasks. However, the optimal way of fusing the resulting kernel functions is usually unknown in practical applications. Multiple kernel learning (MKL) techniques allow to determine an optimal linear combination of such similarity matrices. Classical approaches to MKL promote sparse mixtures. Unfortunately, 1-norm regularized MKL variants are often observed to be outperformed by an unweighted sum kernel. The main contributions of this paper are the following: we apply a recently developed non-sparse MKL variant to state-of-the-art concept recognition tasks from the application domain of computer vision. We provide insights on benefits and limits of non-sparse MKL and compare it against its direct competitors, the sum-kernel SVM and sparse MKL. We report empirical results for the PASCAL VOC 2009 Classification and ImageCLEF2010 Photo Annotation challenge data sets. Data sets (kernel matrices) as well as further information are available at http://doc.ml.tu-berlin.de/image_mkl/(Accessed 2012 Jun 25).
登录
查看更多内容
影响因子：
--
作者：
Cherkassky, V
通讯作者：
Cherkassky, V
影响因子：
8
作者：
Bradley, AP
通讯作者：
Bradley, AP
影响因子：
--
作者：
Chapelle, O;Haffner, P;Vapnik, VN
通讯作者：
Vapnik, VN
DOI：
10.1109/tpami.1986.4767851
发表时间：
1986-11-01
影响因子：
23.6
作者：
CANNY, J
通讯作者：
CANNY, J
影响因子：
19.5
作者：
Binder, Alexander;Mueller, Klaus-Robert;Kawanabe, Motoaki
通讯作者：
Kawanabe, Motoaki