مشخصات مقاله:
عنوان فارسی مقاله:
نمایش سلسله مرتبه ای پراکنده با لغت نامه عمیق برای طبقه بندی چند حالته
عنوان انگلیسی مقاله:
Hierarchical sparse representation with deep dictionary for multi-modal classification
کلمات کلیدی مقاله:
نمایش پراکنده سلسله مرتبه ای، لغت نامه عمیق، ویژگی های چند نمایی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات، هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
مقدمه
روش
طبقه بندی مبتنی بر نمایش پراکنده (SRC)
ساختار لغت نامه ی عمیق
طبقه بندی مبتنی بر نمایش پراکنده ی سلسله مرتبه ای (HSRC)
الگوریتم 1
الگوریتم حل مسئله ی 6 با استفاده از ALM
HRC در روش های مختلف
آزمایش ها
توصیف ویژگی های مختلف
تنظیمات آزمایشی و معیار ارزیابی
نتایج آزمایشی بر روی مجموعه داده ی دست نوشته ی MF
مباحث
جمع بندی
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Advanced statistical machine learning and pattern recognition techniques have been actively applied to image analysis and classification [1–4]. Sparse representation based classification (SRC) has achieved a great of interest in classification and feature selection [5–7]. In SRC, features from all training data are mixed to form a feature dictionary. Then, the new observation is sparsely represented by the dictionary, where the atoms of different classes in the dictionary contribute differently. And finally the class label of test sample is determined by the training class which has the smallest residual in representing the test sample. SRC has achieved great success, and some of its extensions have also been developed [8–10]. However, the performance of SRC would deteriorate if the feature dimensionality is too high, or the number of dictionary atoms is too low, or the data is very noisy. Under these circumstances, the representation power of the conventionally simple dictionary will decrease and some test samples cannot be represented accurately.
1- مقدمه
یادگیری ماشینی پیشرفته ی آماری و شناسایی الگو ، به صورت گسترده برای تحلیل تصاویر و طبقه بندی مورد استفاده قرار میگیرد. طبقه بندی مبتنی بر نمایش پراکنده (SRC) توجه زیادی را در طبقه بندی و انتخاب ویژگی به خودش جلب کرده است .در SRC ، ویژگی ها از تمام داده های تمرینی با هم ترکیب میشوند تا یک لغت نامه ی ویژگی ها را ایجاد کنند. سپس، مشاهده های جدید به صورت پراکنده توسط لغت نامه نشان داده میشود که بخش های دسته های دسته های مختلف در این لغت نامه به صورت مختلف تاثیر گذار هستند. در نهایت نام دسته بندی ها در نمونه ی تست توسط گروه تمرینی که کمترین پس ماند در نمایش نمونه ی تست را دارد، مشخص میشود. SRC موفقیت زیادی را در زمینه های مختلف به دست آورده است و بعضی از روش های توسعه ی آن نیز بررسی شده است. اما عملکرد SRC در صورتی که ابعاد ویژگی ها خیلی بالا باشد، کاهش پیدا میکند و یا در صورتی که تعداد المان های لغت نامه زیاد باشد، عملکرد آن تضعیف میشود. تحت این شرایط، توان نمایش لغت نامه های متداول کاهش پیدا میکند و بعضی از نمونه های تست نمیتوانند به صورت صحیح اطلاعات را نمایش دهند.