Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Motion and Depth Assisted Workload Prediction for Parallel View Synthesis Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Boosting Accuracy of Attribute Prediction via SVD and NMF of Instance-Attribute Matrix

verfasst von : Donghui Li, Zhuo Su, Hanhui Li, Xiaonan Luo

Erschienen in: Advances in Multimedia Information Processing -- PCM 2015

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Attribute-based methods for image classification have received much attentions in recent years due to the high-level or human-specified nature of attributes. Given a new image, attribute-based methods can predict its category by exploiting the attribution representation of the given image. However, the foundation of attribute-based methods is predicting attributes precisely, which is still a difficult problem in real world applications. Therefore, in this paper, we propose an Attribute Prediction boosting framework with Matrix Factorization techniques (APMF) to boost the accuracy of attribute prediction. APMF explores the potential relationships of instances and attributes by utilizing the singular value decomposition (SVD) and non-negative matrix factorization (NMF). A series of experiments show that our APMF achieves better attribute prediction accuracy than the state-of-the-art methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Graph Based Visualization of Large Scale Microblog Data
Nächstes Kapitel Fatigue Detection Based on Fast Facial Feature Analysis
Literatur
1.
Farhadi, A., Endres, I., Hoiem, D., Forsyth, D.: Describing objects by their attributes. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2009, IEEE (2009)
2.
Parikh, D., Grauman, K.: Relative attributes. In: IEEE International Conference on Computer Vision (ICCV) 2011, pp. 503–510. IEEE (2011)
3.
Kovashka, A., Parikh, D., Grauman, K.: WhittleSearch: Image search with relative attribute feedback. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2012, IEEE (2012)
4.
Lampert, C.H., Nickisch, H., Harmeling, S.: Learning to detect unseen object classes by between-class attribute transfer. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2009, pp. 951–958. IEEE (2009)
5.
Suzuki, M., Sato, H., Oyama, S., Kurihara, M.: Image classification by transfer learning based on the predictive ability of each attribute. In: Proceedings of the International MultiConference of Engineers and Computer Scientists, vol. 1 (2014)
6.
Jayaraman, D., Sha, F., Grauman, K.: Decorrelating semantic visual attributes by resisting the urge to share. In: Computer Vision and Pattern Recognition, CVPR 2014 (2014)
7.
Turakhia, N., Parikh, D.: Attribute dominance: What pops out. In: Computer Vision (ICCV) (2013)
8.
Han, Y., Wu, F., Lu, X., Tian, Q., Zhuang, Y., Luo, J.: Correlated attribute transfer with multi-task graph-guided fusion. In: Proceedings of the 20th ACM International Conference on Multimedia, pp. 529–538. ACM (2012)
9.
Li, S., Shan, S., Chen, X.: Relative forest for attribute prediction. In: Lee, K.M., Matsushita, Y., Rehg, J.M., Hu, Z. (eds.) ACCV 2012, Part I. LNCS, vol. 7724, pp. 316–327. Springer, Heidelberg (2013) CrossRef
10.
Koren, Y., Bell, R., Volinsky, C.: Matrix factorization techniques for recommender systems. Computer 42(8), 30–37 (2009)CrossRef
11.
Takács, G., Pilászy, I., Németh, B., Tikk, D.: Matrix factorization and neighbor based algorithms for the netflix prize problem. In: Proceedings of the 2008 ACM Conference on Recommender Systems, pp. 267–274. ACM (2008)
12.
13.
Lee, D.D., Seung, H.S.: Algorithms for non-negative matrix factorization. In: Advances in Neural Information Processing Systems, pp. 556–562 (2001)
14.
Sali, S.: Movie rating prediction using singular value decomposition. In: Machine Learning Project Report by University of California, Santa Cruz (2008)
15.
Zhang, Q., Li, B.: Discriminative K-SVD for dictionary learning in face recognition. In: 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2691–2698. IEEE (2010)
16.
Rajwade, A., Rangarajan, A., Banerjee, A.: Image denoising using the higher order singular value decomposition. Pattern Anal. Mach. Intell. IEEE Trans. 35(4), 849–862 (2013)CrossRef
17.
Lee, D.D., Seung, H.S.: Learning the parts of objects by non-negative matrix factorization. Nature 401(6755), 788–791 (1999)CrossRefMATH
18.
Chang, C., Lin, C.: LIBSVM: A library for support vector machines. Intell. Syst. Technol. ACM Trans. 2(3), 27:1–27:27 (2011)CrossRef
19.
Min-Ling, Z., Zhou, Z.: ML-KNN: A lazy learning approach to multi-label learning. Pattern Recogn. 40(7), 2038–2048 (2007)CrossRefMATH
Metadaten
Titel
Boosting Accuracy of Attribute Prediction via SVD and NMF of Instance-Attribute Matrix
verfasst von
Donghui Li
Zhuo Su
Hanhui Li
Xiaonan Luo
Copyright-Jahr
2015
Buch
Advances in Multimedia Information Processing -- PCM 2015

Print ISBN: 978-3-319-24077-0

Electronic ISBN: 978-3-319-24078-7

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-24078-7_47

Neuer Inhalt

    Bildnachweise