論文の概要: Subspace Nonnegative Matrix Factorization for Feature Representation
- arxiv url: http://arxiv.org/abs/2204.08382v1
- Date: Mon, 18 Apr 2022 16:07:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 14:25:49.735635
- Title: Subspace Nonnegative Matrix Factorization for Feature Representation
- Title(参考訳): 特徴表現のための部分空間非負行列分解
- Authors: Junhang Li, Jiao Wei, Can Tong, Tingting Shen, Yuchen Liu, Chen Li,
Shouliang Qi, Yudong Yao, Yueyang Teng
- Abstract要約: 非負行列分解(NMF)は、すべての特徴を等しく扱うことを意味するデータ空間全体の特徴表現を学習する。
本稿では, 適応重みを導入して, 部分空間だけが新しい表現を生成するように, 元の空間における重要な特徴を識別する新しいNMF法を提案する。
いくつかの実世界のデータセットに対する実験結果から,提案手法が既存手法よりも正確な特徴表現を生成可能であることが示された。
- 参考スコア(独自算出の注目度): 14.251799988700558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional nonnegative matrix factorization (NMF) learns a new feature
representation on the whole data space, which means treating all features
equally. However, a subspace is often sufficient for accurate representation in
practical applications, and redundant features can be invalid or even harmful.
For example, if a camera has some sensors destroyed, then the corresponding
pixels in the photos from this camera are not helpful to identify the content,
which means only the subspace consisting of remaining pixels is worthy of
attention. This paper proposes a new NMF method by introducing adaptive weights
to identify key features in the original space so that only a subspace involves
generating the new representation. Two strategies are proposed to achieve this:
the fuzzier weighted technique and entropy regularized weighted technique, both
of which result in an iterative solution with a simple form. Experimental
results on several real-world datasets demonstrated that the proposed methods
can generate a more accurate feature representation than existing methods. The
code developed in this study is available at
https://github.com/WNMF1/FWNMF-ERWNMF.
- Abstract(参考訳): 従来の非負行列分解(NMF)は、すべての特徴を平等に扱うことを意味するデータ空間全体の特徴表現を学習する。
しかし、サブスペースは実用的なアプリケーションでは正確な表現に十分であり、冗長な機能は無効あるいは有害である。
例えば、カメラがいくつかのセンサーを破壊した場合、このカメラの写真中の対応するピクセルはコンテンツの識別に役立たず、残りのピクセルからなるサブスペースだけが注意に値する。
本稿では, 適応重みを導入して, 部分空間だけが新しい表現を生成するように, 元の空間における重要な特徴を識別する新しいNMF法を提案する。
ファジエ重み付け法とエントロピー正規化重み付け法という2つの戦略が提案され、どちらも単純な形式で反復解が得られる。
いくつかの実世界のデータセットに対する実験結果から,提案手法が既存手法よりも正確な特徴表現を生成可能であることが示された。
本研究で開発されたコードはhttps://github.com/WNMF1/FWNMF-ERWNMFで公開されている。
関連論文リスト
- Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。
私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。
提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文 参考訳(メタデータ) (2023-08-01T03:44:56Z) - FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。
本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。
高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
論文 参考訳(メタデータ) (2022-11-23T01:03:20Z) - Adaptive Local Implicit Image Function for Arbitrary-scale
Super-resolution [61.95533972380704]
局所暗黙画像関数(LIIF)は、対応する座標を入力として、画素値が拡張される連続関数として画像を表す。
LIIFは任意のスケールの超解像タスクに適用でき、その結果、様々なアップスケーリング要因に対して単一の効率的かつ効率的なモデルが得られる。
この問題を軽減するために,新しい適応型局所像関数(A-LIIF)を提案する。
論文 参考訳(メタデータ) (2022-08-07T11:23:23Z) - Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。
2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。
この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
論文 参考訳(メタデータ) (2022-07-19T03:31:13Z) - An Entropy Weighted Nonnegative Matrix Factorization Algorithm for
Feature Representation [6.156004893556576]
エントロピー重み付きNMF(EWNMF)と呼ばれる新しいタイプのNMFを提案する。
EWNMFは各データポイントの属性ごとに最適化可能な重みを使い、その重要性を強調する。
いくつかのデータセットによる実験結果から,提案手法の有効性と有効性を示した。
論文 参考訳(メタデータ) (2021-11-27T23:37:20Z) - Grassmannian learning mutual subspace method for image set recognition [43.24089871099157]
本稿では,画像の集合を入力とするオブジェクト認識の問題に対処する(例えば,複数のカメラソースとビデオフレーム)。
本稿では,CNN上に埋め込まれたNN層であるG-LMSM(Grassmannian Learning mutual subspace method)を提案する。
提案手法は,手形認識,顔の識別,顔の感情認識における有効性を示す。
論文 参考訳(メタデータ) (2021-11-08T09:16:36Z) - Low-Rank Subspaces in GANs [101.48350547067628]
この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。
LowRankGAN は属性多様体の低次元表現を見つけることができる。
さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
論文 参考訳(メタデータ) (2021-06-08T16:16:32Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳(メタデータ) (2021-03-24T21:17:17Z) - FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。
これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。
提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
論文 参考訳(メタデータ) (2020-07-16T17:55:31Z)
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。