طبقه بند خودسازمانده هندسی مبتنی بر یادگیری فعال برای نهان کاوی در محیط ویدئو با صرف حداقل برچسب

طبقه بند یکی از سه بلوک تشکیل دهنده یک نهان کاو ویدئو است که برای آموزش نیازمند برچسب می باشد. در نهان کاوی کور به دلیل عدم دسترسی به الگوریتم های نهان نگاری تهیه برچسب مشکل است. در این مقاله از طبقه بند خودسازمانده پویای شبه ناظر برای رسیدن به حداقل برچسب استفاده شده و بدین منظور مفهومی به نام افزونگی هندسی گره های لایه زیرین شبکه خودسازمانده پویای شبه ناظر به کار گرفته شده است. نشان داده شده که این افزونگی منجر به ایجاد الگوهای تکراری برای شبکه خواهد شد، پس حذف چنین گره هایی بلامانع است. اثبات شده به دلیل وجود تناظر یک به یک بین گره ها و برچسب ها کاهش گره ها منجر به کاهش تعداد برچسب لازم می شود. نکته اساسی این که لازمه وجود افزونگی هندسی در میان تعدادی گره که مفهومی انتزاعی است، تشکیل دسته توسط آنهاست و بنابراین مبنای الگوریتم پیشنهادی شناسایی دسته ها و ادغام اعضای آنهاست. طبقه بند به دست آمده بر این مبنا طبقه بند خودسازمانده هندسی نام نهاده شده و اثبات می شود که این طبقه بند می تواند به مقدار بهینه حداقل برچسب دست یابد. نتایج شبیه سازی نشان دهنده برتری چشم گیر طبقه بند نسبت به الگوریتم های پیشین است.