ارائه نگاشت صریح و تنظیم شده ی باناظر برای یادگیری مالتی منیفولد داده های چند منظری بدون برچسب
در این مقاله، به مسئله ی انتخاب خودکار و بدون ناظر منیفولد طبقه در فضای مالتی منیفولد چند منظری میپردازیم. مسئلهی طبقه بندی تصاویر چند منظری برای یافتن منیفولد طبقه را میتوان به عنوان مسئله ی یادگیری چندین منیفولد با تعدادی اشتراک بین منیفولدها در نظر گرفت. در حالت کلی مسئله ی یادگیری مالتی منیفولد با چندین زیر فضای مستقل کار میکند، بنابراین ایجاد تعادل میان اطلاعات درون منیفولد طبقه و ساختار متمایز کنندهی بین طبقه ها مشکل است. در این مقاله، روشی پیشنهاد میدهیم که بدون استفاده از اطلاعات برچسب نقاط داده با توجه به فشردگی درون طبقهای و تفکیک پذیری برون طبقه ای، ساختار مالتی منیفولد چند منظری را بهدست میآورد. به علاوه، برای تعمیم تعبیه برای نقاط جدید که به عنوان مشکل "خارج از نمونه" شناخته میشود، نگاشت صریح و تنظیم شده ی باناظر برای کاهش بعد غیرخطی ارائه کردیم که "توسعه خارج از نمونه" را برای یادگیری مالتی منیفولد چند منظری در زمینه ی طبقه بندی انجام میدهد. نتایج آزمایشات در دو دستهی مدلسازی خودکار و بدون ناظر ساختار گراف مالتی منیفولد چند منظری و نرخ بازشناسی بر روی چندین مجموعه دادهی چند منظری برتری روش پیشنهادی را نسبت به دیگر روش های گزارش شده در مطالعات اخیر نشان میدهد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.