論文の概要: Stable and Compact Face Recognition via Unlabeled Data Driven Sparse Representation-Based Classification

• arxiv url: http://arxiv.org/abs/2111.02847v1
• Date: Thu, 4 Nov 2021 13:19:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-05 15:00:52.974891
• Title: Stable and Compact Face Recognition via Unlabeled Data Driven Sparse Representation-Based Classification
• Title（参考訳）: ラベルなしデータ駆動スパース表現ベース分類による安定かつコンパクトな顔認識
• Authors: Xiaohui Yang, Zheng Wang, Huan Wu, Licheng Jiao, Yiming Xu, Haolin Chen
• Abstract要約: ラベル付きデータ駆動逆プロジェクション擬フルスペース表現に基づく分類モデルを提案する。 提案モデルは,すべての利用可能なデータの隠された意味情報と本質的な構造情報をマイニングすることを目的としている。 3つの公開データセットの実験により、提案したLR-S-PFSRCモデルが安定した結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 39.398339531136344
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sparse representation-based classification (SRC) has attracted much attention by casting the recognition problem as simple linear regression problem. SRC methods, however, still is limited to enough labeled samples per category, insufficient use of unlabeled samples, and instability of representation. For tackling these problems, an unlabeled data driven inverse projection pseudo-full-space representation-based classification model is proposed with low-rank sparse constraints. The proposed model aims to mine the hidden semantic information and intrinsic structure information of all available data, which is suitable for few labeled samples and proportion imbalance between labeled samples and unlabeled samples problems in frontal face recognition. The mixed Gauss-Seidel and Jacobian ADMM algorithm is introduced to solve the model. The convergence, representation capability and stability of the model are analyzed. Experiments on three public datasets show that the proposed LR-S-PFSRC model achieves stable results, especially for proportion imbalance of samples.
• Abstract（参考訳）: スパース表現に基づく分類(SRC)は、単純な線形回帰問題として認識問題をキャストすることで多くの注目を集めている。 しかし、SRC法は分類ごとに十分なラベル付きサンプル、ラベルなしサンプルの使用不足、表現の不安定性に制限されている。 これらの問題に取り組むために, ラベルなしデータ駆動逆射影擬似フルスペース表現に基づく分類モデルを提案する。 提案モデルは,ラベル付きサンプル数とラベル付きサンプルとラベル付きサンプルの比率不均衡に適合する,すべての利用可能なデータの隠れた意味情報と本質的構造情報を抽出することを目的としている。 モデル解くためにガウス・シーデルとヤコビアンADMMの混合アルゴリズムが導入された。 モデルの収束、表現能力、安定性を解析する。 3つの公開データセットの実験により,提案したLR-S-PFSRCモデルは,特にサンプルの比例不均衡に対して安定した結果が得られることが示された。

関連論文リスト

• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• INGB: Informed Nonlinear Granular Ball Oversampling Framework for Noisy Imbalanced Classification [23.9207014576848]
  分類問題では、データセットは通常、不均衡、ノイズ、複雑である。 本稿では, グラニュラーボール(INGB)をオーバーサンプリングの新たな方向とする非線形オーバーサンプリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-03T01:55:20Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Disentangling representations in Restricted Boltzmann Machines without adversaries [0.0]
  本稿では, 敵対的差別者を訓練することなく, 簡易かつ効果的に表現を分離する方法を提案する。 当社のフレームワークが,データのログライクな表現によってコストを計算可能にする方法を示す。
  論文  参考訳（メタデータ） (2022-06-23T10:24:20Z)
• Self-Paced Uncertainty Estimation for One-shot Person Re-Identification [9.17071384578203]
  本稿では,単発人物の自己ペース不確実性推定ネットワーク(spue-net)を提案する。 自己ペースサンプリング戦略を導入することで,ラベルなしサンプルの擬似ラベルを反復的に推定し,ラベル付きサンプルを拡張できる。 さらに,局所不確実性推定と決定性推定を併用した協調学習手法を適用し,より優れた隠れ空間特徴抽出を実現する。
  論文  参考訳（メタデータ） (2021-04-19T09:20:30Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Conditional Wasserstein GAN-based Oversampling of Tabular Data for Imbalanced Learning [10.051309746913512]
  本稿では,条件付きWasserstein GANに基づくオーバーサンプリング手法を提案する。 実世界の7つのデータセット上で,標準的なオーバーサンプリング手法と不均衡なベースラインに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-08-20T20:33:56Z)

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。