0
| 本文作者： 章敏 | 2016-08-30 18:23 |
導(dǎo)讀：ECAI 2016是歐洲展示AI科學(xué)成果的最佳場所，大會為研究人員提供了很好的機(jī)會，去介紹和聽取當(dāng)代最優(yōu)秀的人工智能研究成果。
摘要：局部圖像特征可以被假定是從一個未知的分布中描繪出來的。而對于圖像分類，這樣的特征則是通過基于直方圖的模型或基于度量的模型進(jìn)行比較。將這些局部特征為量化一組直方圖，基于直方圖的模型非常方便，而且有圖像的矢量表示，但信息可能會在矢量量化時丟失。與基于直方圖的模型不同的是，基于度量的模型在局部特征的潛在分布上估計指標(biāo)，實現(xiàn)更好的預(yù)測性能。然而，該模型需要更高的計算成本，而且沒有了矢量表示圖像的效益。
為了保持這兩種模式的優(yōu)勢，本文提出（雙）隨機(jī)分布特征，利用隨機(jī)傅立葉特征將每個圖像的局部特征的潛在分布表示成一個矢量特征。我們證明了相似性和距離的收斂基于隨機(jī)分布特征。隨機(jī)分布特征的顯著優(yōu)點是它有矢量表示，因此可以有效地計算成基于直方圖的模型。此外，它提供了嚴(yán)格的理論保證和像基于度量的模型一樣具有競爭性的性能。相比于結(jié)果最好的算法，在三個現(xiàn)實世界數(shù)據(jù)集中的實驗表明，我們提出的方法以更快的計算速度達(dá)到了具有競爭性的分類精度。此外，我們證明了我們提出的特征可以利用基于矢量學(xué)習(xí)的方法，它在傳統(tǒng)的機(jī)器學(xué)習(xí)領(lǐng)域早已受到廣泛研究，以處理基于分布學(xué)習(xí)中的問題。
Hongming Shan
職位：復(fù)旦大學(xué)計算機(jī)科學(xué)學(xué)院博士
研究方向：機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘，計算機(jī)視覺，降維，隨機(jī)算法等
相關(guān)學(xué)術(shù)論文：
·“Learning Linear Representation of Space Partitioning Trees based on Unsupervised Kernel Dimension Reduction”（IEEE Transactions on Cybernetics, 2016）
·“Real-valued Multivariate Dimension Reduction”（Machine Learning and Application 2013）
via：ECAI 2016
PS : 本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
