قاموس فيشر للتمييز ، التعلم من أجل التمثيل المتناثر

15

الوصف

في هذا المشروع ، اقترحنا نهج تعلم قاموس فيشر للتمييز (FDDL) لتصنيف الصور المتفرقة على أساس التمثيل. تهدف FDDL إلى تعلم قاموس منظم له قواميس فرعية تسميات فئات محددة.

قدرة التمييز في FDDL ذات شقين. أولاً ، يتمتع كل قاموس فرعي من القاموس الكامل الذي تم تعلمه بقوة تمثيل جيدة للعينات من الفئة المقابلة ، ولكن لديه قوة تمثيل ضعيفة للعينات من الفئات الأخرى. ثانيًا ، سينتج عن FDDL معاملات تمييزية عن طريق تقليل التشتت مع الطبقة وتعظيم التشتت بين الطبقات.

وبالتالي ، قدمنا ​​مخططات التصنيف المرتبطة بـ FDDL ، والتي تستخدم كلاً من خطأ إعادة البناء التمييزي ومعاملات الترميز المتفرقة لتصنيف صورة استعلام الإدخال. أظهرت النتائج التجريبية على التعرف على الوجوه (بالفرنسية) ، والتعرف على الأرقام وتصنيف الجنس بوضوح تفوق FDDL على العديد من أحدث الأساليب القائمة على تعلم القاموس. في المستقبل ، سوف نطبق FDDL على مهام التصنيف الأخرى مثل التعرف على الأشياء.

الأسس المستفادة من الأرقام 8 بواسطة FDDL

ref :

Yang, Meng, et al. “Fisher discrimination dictionary learning for sparse representation.” Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011.

تعلم قاموس فيشر للتمييز المبسط مع تطبيق للتعرف على الأرقام

 

المراجعات

لا توجد مراجعات بعد.

كن أول من يقيم “قاموس فيشر للتمييز ، التعلم من أجل التمثيل المتناثر”

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *