| 图强化典型相关分析及在图像识别中的应用 |
| |
| 引用本文： | 苏树智,谢军,平昕瑞,高鹏连.图强化典型相关分析及在图像识别中的应用[J].电子与信息学报,2022,43(11):3342-3349. |
| |
| 作者姓名： | 苏树智 谢军 平昕瑞 高鹏连 |
| |
| 作者单位： | 安徽理工大学计算机科学与工程学院 淮南 232001;合肥综合性国家科学中心能源研究院(安徽省能源实验室) 合肥 230031;安徽理工大学计算机科学与工程学院 淮南 232001;安徽理工大学数学与大数据学院 淮南 232001 |
| |
| 摘 要： | 典型相关分析(CCA)作为一种传统特征提取算法已经成功应用于模式识别领域,其旨在找到使两组模态数据间相关性最大的投影方向,但其本身为一种无监督的线性方法,无法利用数据内在的几何结构和监督信息,难以处理高维非线性数据.为此该文提出一种新的非线性特征提取算法,即图强化典型相关分析(GECCA).该算法利用数据中的不同成分构建多个成分图,有效保留了数据间的复杂流形结构,采用概率评估的方法使用类标签信息,并通过图强化的方式将几何流形和监督信息融合嵌入到典型相关分析框架.为了对该算法进行评估,分别在人脸和手写体数字数据集上设计了针对性实验,良好的实验结果显示出该算法在图像识别中的优势.
|
| 关 键 词： | 模式识别 典型相关分析 成分图 概率评估 |
Graph Enhanced Canonical Correlation Analysis and Its Application to Image Recognition |
| |
| SU Shuzhi,XIE Jun,PING Xinrui,GAO Penglian.Graph Enhanced Canonical Correlation Analysis and Its Application to Image Recognition[J].Journal of Electronics & Information Technology,2022,43(11):3342-3349. |
| |
| Authors: | SU Shuzhi XIE Jun PING Xinrui GAO Penglian |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
