資源描述：
《半監(jiān)督有局部差異的圖嵌入算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、144傳感器與微系統(tǒng)(TransducerandMicrosystemTechnologies)2014年第33卷第7期半監(jiān)督有局部差異的圖嵌入算法梁興柱，林玉娥，林玉榮(1．安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，安徽淮南232011；2．哈爾濱工業(yè)大學(xué)航天學(xué)院，黑龍江哈爾濱150001)摘要：針對(duì)已有基于圖嵌入的半監(jiān)督算法的缺點(diǎn)，提出了一種半監(jiān)督有局部差異的圖嵌入算法。算法的思想是在保持?jǐn)?shù)據(jù)的幾何結(jié)構(gòu)同時(shí)，最大化樣本的差異信息，可有效地防止過(guò)學(xué)習(xí)問(wèn)題。為了解決小樣本問(wèn)題，采用了差形式的目標(biāo)函數(shù)，并通過(guò)參數(shù)來(lái)調(diào)整兩部分樣本所起作用的大小。最后在ORL和UM1ST人臉庫(kù)上進(jìn)行了實(shí)驗(yàn)，實(shí)
2、驗(yàn)結(jié)果明顯優(yōu)于已有2種經(jīng)典算法的識(shí)別結(jié)果，最優(yōu)時(shí)識(shí)別率提高了2．25％和2．23％。關(guān)鍵詞：半監(jiān)督算法；差異；過(guò)學(xué)習(xí)問(wèn)題；小樣本問(wèn)題中圖分類(lèi)號(hào)：TP391．4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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引言投影后比較接近，當(dāng)鄰域內(nèi)的樣本過(guò)于接近時(shí)，容易造成鄰對(duì)于人臉識(shí)別任務(wù)，如何將高維的數(shù)據(jù)樣本降成一個(gè)域內(nèi)樣本之間的差異信息丟失，即過(guò)學(xué)習(xí)問(wèn)題，使得分類(lèi)性低維的樣本是取得良好識(shí)別結(jié)果的關(guān)鍵一步，這就需要相能
6、不夠好，因此，文獻(xiàn)[4]則結(jié)合信息理論，提出了有監(jiān)督應(yīng)的特征提取算法，目前主要包括二大類(lèi)特征提取算法，一局部差異投影(SLSDP)算法，并取得了較好的識(shí)別結(jié)果。類(lèi)是屬于無(wú)監(jiān)督的算法，如主成分分析(PCA)?和局部保雖然有監(jiān)督算法能夠獲得較好的識(shí)別性能，但是在現(xiàn)持投影(LPP)算法；另一類(lèi)是有監(jiān)督算法，如線性判別分實(shí)問(wèn)題中，更多時(shí)候能夠獲得大量樣本，而有類(lèi)別標(biāo)簽的樣析(LDA)”j。通常在人臉識(shí)別任務(wù)中，當(dāng)標(biāo)注類(lèi)別的樣本本卻是少量的，因此，半監(jiān)督學(xué)習(xí)算法運(yùn)用而生。這類(lèi)算法充足時(shí)，有監(jiān)督算法能夠獲得更好的識(shí)別結(jié)果。而其中的的目標(biāo)就是充分利用這些有標(biāo)簽和無(wú)標(biāo)簽的數(shù)據(jù)樣本來(lái)增LPP算法雖
7、然也是無(wú)監(jiān)督算法，但從理論上講較PCA算法加分類(lèi)精確度。如文獻(xiàn)[5]對(duì)LDA擴(kuò)展提出的半監(jiān)督判別更適合分類(lèi)，并且也比較容易擴(kuò)展成為有監(jiān)督算法，因此，分析(SDA)，但是該算法沒(méi)有用到樣本的局部信息，因此，該算法一經(jīng)提出就受到了廣泛的關(guān)注。如文獻(xiàn)[3]提出的文獻(xiàn)[6]和文獻(xiàn)[7]分別提出了利用局部信息的半監(jiān)督算有監(jiān)督LPP，通過(guò)利用樣本標(biāo)簽來(lái)提高算法的識(shí)別性能；但法，但這種只強(qiáng)調(diào)局部信息，容易出現(xiàn)過(guò)學(xué)習(xí)問(wèn)題，且其目是LPP在保持圖像之間的局部結(jié)構(gòu)時(shí)，使得鄰域內(nèi)的樣本標(biāo)函數(shù)存在著小樣
