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:
Deep Graph Laplacian Hashing for Image Retrieval Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Multi-view Multi-label Learning via Optimal Classifier Chain

verfasst von : Yiming Liu, Xingwei Hao

Erschienen in: Advances in Multimedia Information Processing – PCM 2017

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Multiple feature views arise in the multimedia classification task, where one object usually has different representations from multiple views. Multi-label classification with multiple views is an emerging challenge. In this paper, we propose a new classification framework, named Multi-view Multi-label via Optimal Classifier Chain (MVMLOCC), which establishes an optimal classifier chain for each view of the data sets. Thus, these generated multiple classifiers will be diverse and complementary. Furthermore, considering the different performance of these classifiers, we adjust the weights of the chained learners to predict the unknown instances. The proposed method makes full use of the multi-label correlation information as well as the consistency information from multiple views. Experiments on three challenging real-world multi-label learning datasets (Corel5k, EspGame, as well as PASCAL VOC), show that the proposed method achieves superior performance to some 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 Multi-level Semantic Representation for Flower Classification
Nächstes Kapitel Tire X-ray Image Impurity Detection Based on Multiple Kernel Learning
Fußnoten
Literatur
1.
Boutell, M.R., Luo, J., Shen, X., Brown, C.M.: Learning multi-label scene classification. Pattern Recogn. 37(9), 1757–1771 (2004)CrossRef
2.
Zhang, M.-L., Zhou, Z.-H.: A k-nearest neighbor based algorithm for multi-label classification. In: 2005 IEEE International Conference on Granular Computing, vol. 2, pp. 718–721. IEEE (2005)
3.
Jin, B., Muller, B., Zhai, C., Xinghua, L.: Multi-label literature classification based on the gene ontology graph. BMC Bioinform. 9(1), 525 (2008)CrossRef
4.
Tsoumakas, G., Dimou, A., Spyromitros, E., Mezaris, V., Kompatsiaris, I., Vlahavas, I.: Correlation-based pruning of stacked binary relevance models for multi-label learning. In: Proceedings of the 1st International Workshop on Learning from Multi-label Data, pp. 101–116 (2009)
5.
Dharmadhikari, S.C., Ingle, M., Kulkarni, P.: Multi label text classification through label propagation. Int. J. Eng. 1(9), 09–14 (2012)
6.
Zhang, M.-L., Zhou, Z.-H.: A review on multi-label learning algorithms. IEEE Trans. Knowl. Data Eng. 26(8), 1819–1837 (2014)CrossRef
7.
Lowe, D.G.: Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vis. 60(2), 91–110 (2004)CrossRef
8.
Qian, B., Wang, X., Ye, J., Davidson, I.: A reconstruction error based framework for multi-label and multi-view learning. IEEE Trans. Knowl. Data Eng. 27(3), 594–607 (2015)CrossRef
9.
Luo, Y., Tao, D., Chang, X., Chao, X., Liu, H., Wen, Y.: Multiview vector-valued manifold regularization for multilabel image classification. IEEE Trans. Neural Netw. Learn. Syst. 24(5), 709–722 (2013)CrossRef
10.
Gibaja, E.L., Moyano, J.M., Ventura, S.: An ensemble-based approach for multi-view multi-label classification. Prog. Artif. Intell. 5(4), 251–259 (2016)CrossRef
11.
Liu, W., Tsang, I.: On the optimality of classifier chain for multi-label classification. In: Advances in Neural Information Processing Systems, pp. 712–720 (2015)
12.
Read, J., Pfahringer, B., Holmes, G., Frank, E.: Classifier chains for multi-label classification. Mach. Learn. 85(3), 333–359 (2011)MathSciNetCrossRef
13.
Bartlett, P., Shawe-Taylor, J.: Generalization performance of support vector machines and other pattern classifiers. In: Advances in Kernel Methods-Support Vector Learning, pp. 43–54 (1999)
14.
Aizawa, A.: An information-theoretic perspective of TF-IDF measures. Inf. Process. Manag. 39(1), 45–65 (2003)CrossRef
15.
Wang, M., Hua, X.-S., Yuan, X., Song, Y., Dai, L.-R.: Optimizing multi-graph learning: towards a unified video annotation scheme. In: Proceedings of the 15th ACM International Conference on Multimedia, pp. 862–871. ACM (2007)
16.
17.
Zhang, M.-L., Zhou, Z.-H.: ML-KNN: a lazy learning approach to multi-label learning. Pattern Recogn. 40(7), 2038–2048 (2007)CrossRef
18.
Zhang, M.-L., Zhou, Z.-H.: Multilabel neural networks with applications to functional genomics and text categorization. IEEE Trans. Knowl. Data Eng. 18(10), 1338–1351 (2006)CrossRef
19.
Zhang, M.-L.: ML-RBF: RBF neural networks for multi-label learning. Neural Process. Lett. 29(2), 61–74 (2009)CrossRef
20.
Luo, Y., Tao, D., Xu, C., Li, D., Xu, C.: Vector-valued multi-view semi-supervised learning for multi-label image classification. In: AAAI, pp. 647–653 (2013)
21.
Metadaten
Titel
Multi-view Multi-label Learning via Optimal Classifier Chain
verfasst von
Yiming Liu
Xingwei Hao
Copyright-Jahr
2018
Buch
Advances in Multimedia Information Processing – PCM 2017

Print ISBN: 978-3-319-77379-7

Electronic ISBN: 978-3-319-77380-3

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-77380-3_32

Neuer Inhalt

    Bildnachweise