論文の概要: Multiplication fusion of sparse and collaborative-competitive
representation for image classification
- arxiv url: http://arxiv.org/abs/2001.07090v1
- Date: Mon, 20 Jan 2020 12:55:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 05:31:53.117252
- Title: Multiplication fusion of sparse and collaborative-competitive
representation for image classification
- Title(参考訳): 画像分類のためのスパースと協調競合表現の乗算融合
- Authors: Zi-Qi Li, Jun Sun, Xiao-Jun Wu and He-Feng Yin
- Abstract要約: 画像分類のためのスパースおよび協調競合表現に基づく分類法(SCCRC)を提案する。
融合係数は、それぞれSRCとCCRCの係数を乗算して導出される。
いくつかのベンチマークデータベースの実験結果から,提案したSCCRCの有効性が示された。
- 参考スコア(独自算出の注目度): 11.45863364570225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Representation based classification methods have become a hot research topic
during the past few years, and the two most prominent approaches are sparse
representation based classification (SRC) and collaborative representation
based classification (CRC). CRC reveals that it is the collaborative
representation rather than the sparsity that makes SRC successful.
Nevertheless, the dense representation of CRC may not be discriminative which
will degrade its performance for classification tasks. To alleviate this
problem to some extent, we propose a new method called sparse and
collaborative-competitive representation based classification (SCCRC) for image
classification. Firstly, the coefficients of the test sample are obtained by
SRC and CCRC, respectively. Then the fused coefficient is derived by
multiplying the coefficients of SRC and CCRC. Finally, the test sample is
designated to the class that has the minimum residual. Experimental results on
several benchmark databases demonstrate the efficacy of our proposed SCCRC. The
source code of SCCRC is accessible at https://github.com/li-zi-qi/SCCRC.
- Abstract(参考訳): 表現に基づく分類法は近年ホットな研究課題となり, 疎表現に基づく分類 (SRC) と協調表現に基づく分類 (CRC) の2つのアプローチが注目されている。
CRCは、SRCを成功させる空間というよりも、協調的な表現であることを明らかにした。
それでも、CRCの密度の高い表現は、分類タスクのパフォーマンスを低下させる差別的ではないかもしれない。
この問題をある程度緩和するために,画像分類のためのスパースおよび協調競合表現に基づく分類法(SCCRC)を提案する。
まず、試験試料の係数をそれぞれSRCとCCRCで求める。
そして、SRCとCCRCの係数を乗算して融合係数を求める。
最後に、テストサンプルは、最小の残差を持つクラスに指定されます。
いくつかのベンチマークデータベースの実験結果から,提案したSCCRCの有効性が示された。
SCCRCのソースコードはhttps://github.com/li-zi-qi/SCCRCで公開されている。
関連論文リスト
- CCFC: Bridging Federated Clustering and Contrastive Learning [9.91610928326645]
本稿では,クラスタコントラスト・フェデレーション・クラスタリング(CCFC)という新しいフェデレーション・クラスタリング手法を提案する。
CCFCは、実用的な観点から、デバイス障害を扱う上で優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-12T15:26:44Z) - Overlapping oriented imbalanced ensemble learning method based on
projective clustering and stagewise hybrid sampling [22.32930261633615]
本稿では、二重クラスタリングとステージワイドハイブリッドサンプリング(DCSHS)に基づくアンサンブル学習アルゴリズムを提案する。
我々のアルゴリズムの大きな利点は、重なり合う多数サンプルのソフトな除去を実現するためにCSの交叉性を利用することができることである。
論文 参考訳(メタデータ) (2022-11-30T01:49:06Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳(メタデータ) (2022-09-22T09:04:10Z) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳(メタデータ) (2021-06-20T17:34:55Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳(メタデータ) (2021-06-09T12:02:29Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳(メタデータ) (2021-06-03T14:59:59Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳(メタデータ) (2021-04-03T15:32:49Z) - Affine Non-negative Collaborative Representation Based Pattern
Classification [41.370946011312746]
提案した非負表現ベース分類法(NRC)は,幅広い分類タスクにおいて有望な結果をもたらすことが報告されている。
本稿では,パターン分類のためのアフィン非負協調表現(ANCR)モデルを提案する。
論文 参考訳(メタデータ) (2020-07-10T05:48:54Z) - A Classification-Based Approach to Semi-Supervised Clustering with
Pairwise Constraints [5.639904484784126]
対制約付き半教師付きクラスタリングのためのネットワークフレームワークを提案する。
既存のアプローチとは対照的に、SSCを2つの単純な分類タスク/ステージに分解する。
提案手法であるS3C2は、二項分類がマルチクラスクラスタリングよりも容易であるという観察から動機づけられている。
論文 参考訳(メタデータ) (2020-01-18T20:13:07Z) - A sparsity augmented probabilistic collaborative representation based
classification method [0.76146285961466]
空間的拡張確率的協調表現に基づく分類法(SA-ProCRC)を提案する。
実験結果から,提案手法は顔画像やシーン画像に対して有望な結果が得られることが示唆された。
論文 参考訳(メタデータ) (2019-12-27T10:06:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。