دسته بندی شبه فضای اسپارس وزن شده مجدد + کد متلب رایگان
پروژه ۲۲۰۵: شبیه سازی مقاله
عنوان مقاله انگلیسی:
Reweighted sparse subspace clustering
چکیده:
تقسیم بندی حرکت ودسته بندی چهره انسان دو مساله اساسی در بینایی رایانه ای هستند.الگوریتمهای وضعیت هنری هنگام پردازش این دو مساله از طرح دسته بندی شبه فضا استفاده می کنند.دسته بندی شبه فضای اسپارس(SSC) در میان این الگوریتمها، عملکرد دسته بندی وضعیت هنری از طریق حل مساله کمینه سازی وکاربرد روش دسته بندی طیفی برای دسته بندی نقاط داده به شکل شبه فضاهای مختلف بدست می اید.ما در این مقاله پیشنهاد می کنیم که چهارچوب کمینه سازی وزن کردن تکراری (وزن مجدد) ،عملکرد چهارچوب کمینه سازی سنتی را به میزان زیادی بهبود می بخشد.چهارچوب کمینه سازی وزن شده مجدد نسبت به چارچوب کمینه سازی سنتی بهتر تقریب گیری می کند.ما بعد از چهارچوب کمینه سازی وزن شده مجدد ،یک الگوریتم دسته بندی شبه فضای جدید بنام دسته بندی شبه فضای پراکند وزن شده مجدد(RSSC) پیشنهاد می کنیم.ما از طریق ارزیابی گسترده سه مجموعه داده معیار نشان می دهیم که الگوریتم RSSC پیشنهادی به میزان قابل توجهی خطاهای دسته بندی را در طی الگوریتم SSC کاهش می دهد درحالیکه مرحله سنتی که مجدد وزن شده برهزینه محاسباتی تاثیر متوسط دارد.RSSC پیشنهادی درمیان الگوریتمهای پیشنهادی اخیر کمترین خطاهای دسته بندی را دارد.از طرف دیگر اکثرالگوریتمها برمبنای ۱۵۵مجموعه داده هاپکینزارزیابی شدند که برای تقسیم بندی توالی های غیرسخت مناسب نیست.بنابراین ما عملکرد RSSC پیشنهادی والگوریتمهای وضعیت هنری را در مجموعه داده تقسیم بندی حرکت فریبرگ-برکلی (که اساسا حاوی توالیهای غیرسخت است)ارزیابی می کنیم.عملکرد این الگوریتمهای غیر سخت مانند RSSC در این مجموعه داده که عمدتا دارای توالیهای حرکت غیرسخت است،بطور چشمگیری کاهش می یابد.از طریق RSSC پیشنهادی عملکرد بهتری نسبت به الگوریتمهای دیگر بدست می اید.این نتایج نشان می دهند که الگوریتمهای جدیدی که بر تقسیم بندی حرکات غیرسخت تمرکز می کنند هنوز مورد نیاز هستند.
دانلود رایگان:
مجموعه: پردازش تصویر