欢迎来到天天文库
浏览记录
ID:52405130
大小:295.38 KB
页数:4页
时间:2020-03-27
《半监督有局部差异的图嵌入算法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、144传感器与微系统(TransducerandMicrosystemTechnologies)2014年第33卷第7期半监督有局部差异的图嵌入算法梁兴柱,林玉娥,林玉荣(1.安徽理工大学计算机科学与工程学院,安徽淮南232011;2.哈尔滨工业大学航天学院,黑龙江哈尔滨150001)摘要:针对已有基于图嵌入的半监督算法的缺点,提出了一种半监督有局部差异的图嵌入算法。算法的思想是在保持数据的几何结构同时,最大化样本的差异信息,可有效地防止过学习问题。为了解决小样本问题,采用了差形式的目标函数,并通过参数来调整两部分样本所起作用的大小。最后在ORL和UM1ST人脸库上进行了实验,实
2、验结果明显优于已有2种经典算法的识别结果,最优时识别率提高了2.25%和2.23%。关键词:半监督算法;差异;过学习问题;小样本问题中图分类号:TP391.4文献标识码:A文章编号:1000-9787(2014)07-0144-O3Semi—supervisedlocaldiversitygraphembeddingalgorithmLIANGXing.zhu,LINYu—e,LINYu.rong2(1.SchoolofComputerScience&Engineering。AnhuiUniversityofScienceandTechnology,Huainan232011,C
3、hina;2.SchoolofAstronautics,HarbinInstituteofTechnology,Harbin150001,China)Abstract:Aimingattheshortcomingsofsemi—supervisedalgorithmbasedongraphembedding,anovelmethodeaUedsemi—supervisedlocaldiversitygraphembeddingalgorithm(SLDGEA)isproposed.Theideaofthisalgorithmpreservesthelocalstructurean
4、dsimultaneouslymaximizesthediversityofdata,SLDGEAcanavoidthedataover—learningproblem.Inordertosolvesmallsampleproblem,SLDGEAadoptsdiferentialformofthecriterionfunction,whichcanadjustsamplesefectofthetwopartsthroughparameters.ExperimentalresultsonORLandUMISTfacedatabasesdemonstratethatSLDGEAis
5、betterthantheexistingtwokindsofclassicalalgorithmsandtheoptimalrecognitionratesareimprovedby2.25%and2.23%.Keywords:semi—supervisedalgorithm;diversity;over—learningproblem;smallsampleproblem0引言投影后比较接近,当邻域内的样本过于接近时,容易造成邻对于人脸识别任务,如何将高维的数据样本降成一个域内样本之间的差异信息丢失,即过学习问题,使得分类性低维的样本是取得良好识别结果的关键一步,这就需要相能
6、不够好,因此,文献[4]则结合信息理论,提出了有监督应的特征提取算法,目前主要包括二大类特征提取算法,一局部差异投影(SLSDP)算法,并取得了较好的识别结果。类是属于无监督的算法,如主成分分析(PCA)⋯和局部保虽然有监督算法能够获得较好的识别性能,但是在现持投影(LPP)算法;另一类是有监督算法,如线性判别分实问题中,更多时候能够获得大量样本,而有类别标签的样析(LDA)”j。通常在人脸识别任务中,当标注类别的样本本却是少量的,因此,半监督学习算法运用而生。这类算法充足时,有监督算法能够获得更好的识别结果。而其中的的目标就是充分利用这些有标签和无标签的数据样本来增LPP算法虽
7、然也是无监督算法,但从理论上讲较PCA算法加分类精确度。如文献[5]对LDA扩展提出的半监督判别更适合分类,并且也比较容易扩展成为有监督算法,因此,分析(SDA),但是该算法没有用到样本的局部信息,因此,该算法一经提出就受到了广泛的关注。如文献[3]提出的文献[6]和文献[7]分别提出了利用局部信息的半监督算有监督LPP,通过利用样本标签来提高算法的识别性能;但法,但这种只强调局部信息,容易出现过学习问题,且其目是LPP在保持图像之间的局部结构时,使得邻域内的样本标函数存在着小样
此文档下载收益归作者所有