Sparsity-Induced Similarity Measure and Its Applications
Sparsity-Induced Similarity Measure and Its Applications
复制标题
稀疏性引起的相似性度量及其应用
DOI：
10.1109/tcsvt.2012.2225911
复制
发表时间：
2016-04
影响因子：
8.4
通讯作者：
Yang, Jie
中科院分区：
文献类型：
--
作者：
Cheng, Hong;Liu, Zicheng;Hou, Lei;Yang, Jie
近年来，基于特征向量的半监督/监督学习结构由于其对更好的对象建模和分类的有效性而引起了人们的极大兴趣。在许多机器学习和计算机视觉任务中，一个关键问题是两个特征向量之间的相似性。在本文中，我们提出了一种新的技术来衡量特征向量之间的相似性，通过分解每个特征向量作为一个稀疏的线性组合的其余特征向量。其主要思想是在这种稀疏分解中的系数反映了特征的邻域结构，从而在分解的特征向量和其余特征向量之间提供了更好的相似性度量。所提出的方法被应用到标签传播和动作识别，并在几个常用的数据集上进行评估。实验结果表明，所提出的稀疏诱导的相似性度量显着提高了标签传播和动作识别的性能。
The structures of feature vectors-based semisupervised/supervised learning have gained considerable interest in recent years due to their effectiveness for better object modeling and classification. In many machine learning and computer vision tasks, a critical issue is the similarity between two feature vectors. In this paper, we present a novel technique to measure similarities among feature vectors by decomposing each feature vector as an ℓ1 sparse linear combination of the rest of the feature vectors. The main idea is that the coefficients in such sparse decomposition reflect the features' neighborhood structure, thus providing better similarity measures among the decomposed feature vector and the rest of the feature vectors. The proposed approach is applied to label propagation and action recognition, and is evaluated on several commonly used datasets. The experimental results show that the proposed sparsity-induced similarity measure significantly improves the performance of both label propagation and action recognition.
登录
查看更多内容
影响因子：
10.6
作者：
Cheng, Bin;Yang, Jianchao;Huang, Thomas S.
通讯作者：
Huang, Thomas S.
DOI：
--
发表时间：
2001-01
期刊：
--
影响因子：
--
作者：
M. Szummer;T. Jaakkola
通讯作者：
M. Szummer;T. Jaakkola
影响因子：
14.9
作者：
M. Wakin
通讯作者：
M. Wakin
DOI：
10.1017/cbo9780511794308
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Gitta Kutyniok
通讯作者：
Gitta Kutyniok
DOI：
10.5220/0001787803310340
发表时间：
2009
期刊：
--
影响因子：
--
作者：
Marius Muja;D. Lowe
通讯作者：
Marius Muja;D. Lowe