این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۸، شماره ۴، صفحات ۱-۱۶
عنوان فارسی ارائه نگاشت صریح و تنظیم شده‌ ی باناظر برای یادگیری مالتی منیفولد داده‌ های چند منظری بدون برچسب
چکیده فارسی مقاله در این مقاله، به مسئله‌ ی انتخاب خودکار و بدون ناظر منیفولد طبقه در فضای مالتی منیفولد چند منظری می‌پردازیم. مسئله‌ی طبقه‌بندی تصاویر چند منظری برای یافتن منیفولد طبقه را می‌توان به‌عنوان مسئله‌ی یادگیری چندین منیفولد با تعدادی اشتراک بین منیفولدها در نظر گرفت. در حالت کلی مسئله‌ی یادگیری مالتی منیفولد با چندین زیر فضای مستقل کار می‌کند، بنابراین ایجاد تعادل میان اطلاعات درون منیفولد طبقه و ساختار متمایز کننده‌ی بین طبقه‌ها مشکل است. در این مقاله، روشی پیشنهاد می‌دهیم که بدون استفاده از اطلاعات برچسب نقاط داده با توجه به فشردگی درون طبقه‌ای و تفکیک‌پذیری برون طبقه‌ای، ساختار مالتی منیفولد چند منظری را به‌دست می‌آورد. به‌علاوه، برای تعمیم تعبیه برای نقاط جدید که به‌عنوان مشکل "خارج از نمونه" شناخته می‌شود، نگاشت صریح و تنظیم شده‌ی باناظر برای کاهش بٌعد غیرخطی ارائه کردیم که "توسعه خارج از نمونه" را برای یادگیری مالتی منیفولد چند منظری در زمینه‌ی طبقه‌بندی انجام می‌دهد. نتایج آزمایشات در دو دسته‌ی مدل‌سازی خودکار و بدون ناظر ساختار گراف مالتی منیفولد چند منظری و نرخ بازشناسی بر روی چندین مجموعه داده‌ی چند منظری برتری روش پیشنهادی را نسبت به دیگر روش‌های گزارش شده در مطالعات اخیر نشان می‌دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A supervised method for building a regularized map for general multi-view multi-manifold learning
چکیده انگلیسی مقاله In this paper, we consider the issue of automatic and unsupervised class-manifold selection in a multi-view multi-manifold space. General multi-manifold learning methods achieve multiple independent manifolds, so it is challenging for them to adjust the intra-class local manifold information and global inter-class discriminative structure. In this paper, we propose a multi-manifold embedding method, which can explicitly obtain multi-view multi-manifold structure while considering both intra-class compactness and inter-class separability without using the class label information. Furthermore, to the generalization of embedding to novel points, known as the out-of-sample extension problem in multi-view multi-manifold learning, we propose a supervised method for building a regularized map that provides an out-of-sample extension for general multi-view multi-manifold learning studied in the context of classification. Experimental results on face and object images demonstrate the potential of the proposed method for the classification of multi-view multi-manifold data sets and the proposed out-of-sample extension algorithm for the classification of manifold-modeled data sets.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فرایین آیینی |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

امیرمسعود افتخاری مقدم |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

فریبرز محمودی |
دپارتمان تجزیه و تحلیل پیشرفته داده‏های علمی، جنرال موتورز، وارن، ایالات متحده آمریکا

نشانی اینترنتی http://jscit.nit.ac.ir/article_95835_c9d68434e24d481f4ce3361cb2782027.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-2279331.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات