文件名称：Grassmann多峰隐式特征选择
文件大小：1.18MB
文件格式：PDF
更新时间：2024-06-17 15:02:25
Multimodal features; Feature selection; The
在模式识别领域，对象通常由多个特征（多峰特征）表示。 例如，要表征自然场景图像，必须提取一组表示其颜色，纹理和形状信息的视觉特征。 但是，集成多峰特征以进行识别具有挑战性，因为：（1）每个特征都有其特定的统计属性和物理解释，（2）大量特征可能会导致维数的诅咒（当数据维数很高时，成对之间的距离由于中心极限理论的原因，特征空间中的物体变得越来越相似（这种现象对识别性能产生负面影响），并且（3）某些特征可能不可用。 为了解决这些问题，提出了一种新的多峰特征选择算法，称为格拉斯曼流形特征选择（GMFS）。 特别是，通过定义聚类标准，将多峰特征转换为矩阵，并进一步视为Hamm和Lee（Grassmann判别分析：基于子空间的学习的统一观点）上的Grassmann流形上的一个点。第25届国际机器学习会议（ICML），第376-383页，芬兰赫尔辛基[2008]。 为了处理不可用的特征，计算了L2-Hausdorff距离，即不同大小的矩阵之间的度量，并相应地获得了内核。 基于内核，我们提出了监督/非监督特征选择算法，以实现多模式特征的物理意义上的嵌入。 在八个数据集上的实验结果验证了该方法的有效性。