Improving the discriminant ability of local margin based learning method by incorporating the global between-class separability criterion
Improving the discriminant ability of local margin based learning method by incorporating the global between-class separability criterion
复制标题
通过结合全局类间可分离性准则提高基于局部边缘的学习方法的判别能力
DOI：
10.1016/j.neucom.2009.07.016
复制
发表时间：
2009-12
期刊：
影响因子：
6
通讯作者：
He, Guanghui
中科院分区：
文献类型：
--
作者：
Fang, Bin;Cheng, Miao;Tang, Yuan Yan;He, Guanghui
机器学习和计算机视觉中的许多应用都归结为特征表示和约简。流形学习寻找隐藏在高维数据中的内在低维流形结构。在过去的几年中，许多局部判别分析方法已经被提出来利用判别子流形结构，通过扩展流形学习的思想，监督的。特别地，边缘Fisher分析（MFA）发现了用于特征提取和分类的局部类间边缘。然而，由于有限的数据对被用来确定的区别性的边缘，这种方法通常遭受失调学习，我们在本文中介绍。为了提高MFA的判别能力，我们将边缘Fisher思想与全局类间可分性准则（BCSC）相结合，提出了一种新的监督学习方法，称为局部和全局边缘投影（LGMP），其中失调的学习问题可以得到缓解。实验结果表明，所提出的LGMP优于原来的MFA。
Many applications in machine learning and computer vision come down to feature representation and reduction. Manifold learning seeks the intrinsic low-dimensional manifold structure hidden in the high-dimensional data. In the past few years, many local discriminant analysis methods have been proposed to exploit the discriminative submanifold structure by extending the manifold learning idea to supervised ones. Particularly, marginal Fisher analysis (MFA) finds the local interclass margin for feature extraction and classification. However, since the limited data pairs are employed to determine the discriminative margin, such method usually suffers from the maladjusted learning as we introduced in this paper. To improve the discriminant ability of MFA, we incorporate the marginal Fisher idea with the global between-class separability criterion (BCSC), and propose a novel supervised learning method, called local and global margin projections (LGMP), where the maladjusted learning problem can be alleviated. Experimental evaluation shows that the proposed LGMP outperforms the original MFA.
登录
查看更多内容
DOI：
10.1007/978-1-4471-0285-4
发表时间：
2012-10
期刊：
--
影响因子：
--
作者：
Shigeo Abe DrEng
通讯作者：
Shigeo Abe DrEng
DOI：
10.1109/tpami.2007.250598
发表时间：
2007-01-01
影响因子：
23.6
作者：
Yan, Shuicheng;Xu, Dong;Lin, Stephen
通讯作者：
Lin, Stephen
DOI：
--
发表时间：
2007-01
期刊：
--
影响因子：
--
作者：
Deng Cai;Xiaofei He;Kun Zhou;Jiawei Han;H. Bao
通讯作者：
Deng Cai;Xiaofei He;Kun Zhou;Jiawei Han;H. Bao
DOI：
10.1109/cvpr.2005.170
发表时间：
2005-06
期刊：
2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05)
影响因子：
--
作者：
Shuicheng Yan;Dong Xu;Benyu Zhang;HongJiang Zhang
通讯作者：
Shuicheng Yan;Dong Xu;Benyu Zhang;HongJiang Zhang
DOI：
10.1007/978-0-387-09766-4_2219
发表时间：
2011
期刊：
--
影响因子：
--
作者：
Andrzej Chrzeszczyk;Jan Kochanowski
通讯作者：
Andrzej Chrzeszczyk;Jan Kochanowski