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:
Visual Tracking by Local Superpixel Matching with Markov Random Field Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Transductive Classification by Robust Linear Neighborhood Propagation

verfasst von : Lei Jia, Zhao Zhang, Weiming Jiang

Erschienen in: Advances in Multimedia Information Processing - PCM 2016

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

We propose an enhanced label prediction method termed Transductive Classification Robust Linear Neighborhood Propagation (R-LNP). To encode the neighborhood reconstruction error more accurately, we apply the L2,1-norm that is proved to be very robust to noise for characterizing the manifold smoothing term. Since L2,1-norm can also enforce the neighborhood reconstruction error to be sparse in rows, i.e., entries of some rows are zeros. In addition, to enhance robustness in the process of modeling the difference between the initial labels and predicted ones, we also regularize the weighted L2,1-norm on the label fitting term, so the resulted measures would be more accurate. Compared with several transductive label propagation models, our proposed algorithm obtains state-of-the-art performance over extensive representation and classification experiments.

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 Fine-Grained Vehicle Recognition in Traffic Surveillance
Nächstes Kapitel Discriminative Sparse Coding by Nuclear Norm-Driven Semi-Supervised Dictionary Learning
Literatur
1.
Wang, F., Zhang, C.: Label propagation through linear neighborhoods. IEEE Trans. Knowl. Data Eng. 20(1), 55–67 (2008)CrossRef
2.
Wang, Y., Chen, S., Zhou, Z.H.: New semi-supervised classification method based on modified cluster assumption. IEEE Trans. Neural Netw. Learn. Syst. 23(5), 689–702 (2012)MathSciNetCrossRef
3.
Zhang, F., Yang, J., Qian, J.: Nuclear norm-based 2-DPCA for extracting features from images. IEEE Trans. Neural Netw. Learn. Syst. 26(10), 2247–2260 (2015)MathSciNetCrossRef
4.
Yang, Y., Shen, H.T.: L2,1-norm regularized discriminative feature selection for unsupervised learning. In: Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, vol. 2, pp. 1589–1594 (2011)
5.
Data, C., Mining, D.: Concepts and techniques. San Franc. 29(1), 1–18 (2010)
6.
Zhang, F., Zhang, J.S.: Label propagation through sparse neighborhood and its applications. Neurocomputing 97, 267–277 (2012)CrossRef
7.
8.
Zhang, C., Wang, S., Li, D.: Prior class dissimilarity based linear neighborhood propagation. Knowl. Based Syst. 83, 58–65 (2015)CrossRef
9.
Nie, F., Xiang, S., Liu, Y.: A general graph-based semi-supervised learning with novel class discovery. Neural Comput. Appl. 19(4), 549–555 (2010)CrossRef
10.
Zhang, Z., Zhang, L., Zhao, M.B., Jiang, W.M., Liang, Y.C., Li, F.Z.: Semi-supervised image classification by nonnegative sparse neighborhood propagation. In: Proceedings of the ACM International Conference on Multimedia Retrieval, Shanghai, pp. 139–146 (2015)
11.
Tang, H., Fang, T., Shi, P.F.: Laplacian linear discriminant analysis. Pattern Recognit. 39(1), 136–139 (2006)CrossRefMATH
12.
Zhou, D., Bousquet, O., Lal, T.N., Weston, J., Scholkopf, B.: Learning with local and global consistency. Adv. Neural Inf. Proces. Syst. 17(4), 321–328 (2004)
13.
Zhu, X., Ghahramani, Z., Lafferty, J.: Semi-supervised learning using gaussian fields and harmonic functions. In: Proceedings of 20th International Conference on Machine Learning, pp. 912–919 (2003)
14.
Hou, C.P., Nie, F.P., Li, X.L., Yi, D.Y., Wu, Y.: Joint embedding learning and sparse regression: a framework for unsupervised feature selection. IEEE Trans. Cybern. 44(6), 793–804 (2014)CrossRef
15.
Nie, F., Huang, H., Cai, X., Ding, C.: Efficient and robust feature selection via joint L2,1-norms minimization. In: Advances in Neural Information Processing Systems, pp. 1813–121 (2010)
16.
Nene, S.A., Nayar, S.K., Murase, H.: Columbia Object Image Library (COIL-20). Technical report CUCS-005-96 (1996)
17.
Yang, S.Z., Hou, C.P., Nie, F.P., Wu, Y.: Unsupervised maximum margin feature selection via L2,1-norm minimization. Neural Comput. Appl. 21(7), 1791–1799 (2012)CrossRef
18.
Zhang, Z., Jiang, W., Li, F., Zhang, L., Zhao, M., Jia, L.: Projective Label Propagation by Label Embedding. In: Azzopardi, G., Petkov, N. (eds.) CAIP 2015. LNCS, vol. 9257, pp. 470–481. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-23117-4_​41 CrossRef
19.
Zhao, M.B., Chow, T.W.S., Zhang, Z., Li, B.: Automatic image annotation via compact graph based semi-supervised learning. Know. Based Syst. 76, 148–165 (2015)CrossRef
20.
Liang, Y.C., Zhang, Z., Jiang, W.M., Zhao, M.B., Li, F.Z.: Bilinear embedding label propagation: towards scalable prediction of image labels. IEEE Signal Process. Lett. 22(12), 2411–2415 (2015)CrossRef
Metadaten
Titel
Transductive Classification by Robust Linear Neighborhood Propagation
verfasst von
Lei Jia
Zhao Zhang
Weiming Jiang
Copyright-Jahr
2016
Buch
Advances in Multimedia Information Processing - PCM 2016

Print ISBN: 978-3-319-48889-9

Electronic ISBN: 978-3-319-48890-5

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-48890-5_29

Neuer Inhalt

    Bildnachweise