Spatially Weighted Principal Component Analysis for Imaging Classification.
Spatially Weighted Principal Component Analysis for Imaging Classification.
复制标题
DOI：
10.1080/10618600.2014.912135
复制
发表时间：
2015-01
期刊：
影响因子：
--
通讯作者：
Alzheimer's Disease Neuroimaging Initiative
中科院分区：
文献类型：
--
作者：
Guo R;Ahn M;Zhu H;Alzheimer's Disease Neuroimaging Initiative
本文的目的是开发一个监督降维框架，称为空间加权主成分分析（SWPCA），高维图像分类。图像分类中的两个主要挑战是特征空间的高维性和图像数据的复杂空间结构。在SWPCA中，我们引入了两组新的权重，包括全局和局部空间权重，这使得能够选择性地处理个体特征，并将成像数据的空间结构和类标签信息结合起来。我们开发了一个有效的两阶段迭代SWPCA算法和它的惩罚版本沿着与相关的权重确定。我们使用模拟研究和真实的数据分析来评估我们的SWPCA的有限样本性能。结果表明，SWPCA优于几个竞争的主成分分析（PCA）方法，如监督PCA（SPCA），和其他竞争的方法，如稀疏判别分析（SDA）。
The aim of this paper is to develop a supervised dimension reduction framework, called Spatially Weighted Principal Component Analysis (SWPCA), for high dimensional imaging classification. Two main challenges in imaging classification are the high dimensionality of the feature space and the complex spatial structure of imaging data. In SWPCA, we introduce two sets of novel weights including global and local spatial weights, which enable a selective treatment of individual features and incorporation of the spatial structure of imaging data and class label information. We develop an e cient two-stage iterative SWPCA algorithm and its penalized version along with the associated weight determination. We use both simulation studies and real data analysis to evaluate the finite-sample performance of our SWPCA. The results show that SWPCA outperforms several competing principal component analysis (PCA) methods, such as supervised PCA (SPCA), and other competing methods, such as sparse discriminant analysis (SDA).
登录
查看更多内容
影响因子：
3.7
作者：
Johnstone IM;Lu AY
通讯作者：
Lu AY
基于稳健等级相关的筛选
影响因子：
4.5
作者：
Li, Gaorong;Peng, Heng;Zhu, Lixing
通讯作者：
Zhu, Lixing
影响因子：
2.5
作者：
Clemmensen, Line;Hastie, Trevor;Ersboll, Bjarne
通讯作者：
Ersboll, Bjarne
影响因子：
1.6
作者：
Baik, Jinho;Silverstein, Jack W.
通讯作者：
Silverstein, Jack W.
影响因子：
8
作者：
Skocaj, Danijel;Leonardis, Ales;Bischof, Horst
通讯作者：
Bischof, Horst