論文の概要: Semi-supervised Sparse Representation with Graph Regularization for Image Classification

• arxiv url: http://arxiv.org/abs/2011.05648v1
• Date: Wed, 11 Nov 2020 09:16:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 23:49:27.581334
• Title: Semi-supervised Sparse Representation with Graph Regularization for Image Classification
• Title（参考訳）: 画像分類のためのグラフ正規化を用いた半教師付きスパース表現
• Authors: Hongfeng Li
• Abstract要約: 画像分類のための識別半教師付きスパース表現アルゴリズムを提案する。 提案アルゴリズムは,関連する一般的な手法と比較して優れた性能を示す。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image classification is a challenging problem for computer in reality. Large numbers of methods can achieve satisfying performances with sufficient labeled images. However, labeled images are still highly limited for certain image classification tasks. Instead, lots of unlabeled images are available and easy to be obtained. Therefore, making full use of the available unlabeled data can be a potential way to further improve the performance of current image classification methods. In this paper, we propose a discriminative semi-supervised sparse representation algorithm for image classification. In the algorithm, the classification process is combined with the sparse coding to learn a data-driven linear classifier. To obtain discriminative predictions, the predicted labels are regularized with three graphs, i.e., the global manifold structure graph, the within-class graph and the between-classes graph. The constructed graphs are able to extract structure information included in both the labeled and unlabeled data. Moreover, the proposed method is extended to a kernel version for dealing with data that cannot be linearly classified. Accordingly, efficient algorithms are developed to solve the corresponding optimization problems. Experimental results on several challenging databases demonstrate that the proposed algorithm achieves excellent performances compared with related popular methods.
• Abstract（参考訳）: 画像分類は現実のコンピュータにとって難しい問題である。 多数の手法が十分なラベル付き画像で満足のいく性能を達成できる。 しかし、ラベル付き画像は特定の画像分類タスクでは非常に制限されている。 代わりに、多くのラベルのない画像が利用可能で、入手が容易です。 したがって、利用可能な未ラベルデータを完全に活用することは、現在の画像分類法の性能をさらに向上させる潜在的方法である。 本稿では,画像分類のための半教師付きスパース表現アルゴリズムを提案する。 アルゴリズムでは、分類プロセスとスパース符号化を組み合わせることで、データ駆動線形分類器を学習する。 識別予測を得るために、予測されたラベルは、大域多様体構造グラフ、クラス内グラフ、クラス間グラフの3つのグラフで正規化される。 構築されたグラフはラベル付きデータとラベルなしデータの両方に含まれる構造情報を抽出することができる。 さらに、線形に分類できないデータを扱うためのカーネルバージョンに提案手法を拡張した。 そこで, 対応する最適化問題を解くために, 効率的なアルゴリズムを開発した。 いくつかの挑戦的データベースに対する実験結果から,提案アルゴリズムは関連する人気手法と比較して優れた性能を発揮することが示された。

関連論文リスト

• Simple but Effective Unsupervised Classification for Specified Domain Images: A Case Study on Fungi Images [7.725818999035946]
  高品質なラベル付きデータセットはディープラーニングに不可欠である。 従来の手動のアノテーション手法は高価で非効率である。 3つの重要な概念を持つ教師なしの分類方法を紹介した。
  論文  参考訳（メタデータ） (2023-11-15T14:33:22Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Combining Metric Learning and Attention Heads For Accurate and Efficient Multilabel Image Classification [0.0]
  マルチラベル分類における2つの一般的なアプローチについて再検討する。 トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
  論文  参考訳（メタデータ） (2022-09-14T12:06:47Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
  本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。 提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:00:53Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。