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:
Occlusion-Robust Face Detection Using Shallow and Deep Proposal Based Faster R-CNN Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Unsupervised Feature Selection with Graph Regularized Nonnegative Self-representation

verfasst von : Yugen Yi, Wei Zhou, Yuanlong Cao, Qinghua Liu, Jianzhong Wang

Erschienen in: Biometric Recognition

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this paper, we propose a novel algorithm called Graph Regularized Nonnegative Self Representation (GRNSR) for unsupervised feature selection. In our proposed GRNSR, each feature is first represented as a linear combination of its relevant features. Then, an affinity graph is constructed based on nonnegative least squares to capture the inherent local structure information of data. Finally, the l 2,1-norm and nonnegative constraint are imposed on the representation coefficient matrix to achieve feature selection in batch mode. Moreover, we develop a simple yet efficient iterative update algorithm to solve GRNSR. Extensive experiments are conducted on three publicly available databases (Extended YaleB, CMU PIE and AR) to demonstrate the efficiency of the proposed algorithm. Experimental results show that GRNSR obtains better recognition performance than some other state-of-the-art approaches.

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 Deep Convex NMF for Image Clustering
Nächstes Kapitel Local Dual-Cross Ternary Pattern for Feature Representation
Literatur
1.
Alelyani, S., Tang, J., Liu, H.: Feature selection for clustering: a review. Data Clustering: Algorithms Appl. 29, 59 (2013)
2.
3.
Zhang, B., Perina, A., Murino, V., et al.: Sparse representation classification with manifold constraints transfer. IEEE Conf. on Comput. Vis. Pattern Recognit., 4557–4565 (2015)
4.
Zhao, Z., Wang, L., Liu, H., et al.: On similarity preserving feature selection. IEEE Trans. Knowl. Data Eng. 25(3), 619–632 (2013)CrossRef
5.
Wang, J., Wu, L., Kong, J., et al.: Maximum weight and minimum redundancy: a novel framework for feature subset selection. Pattern Recognit. 46(6), 1616–1627 (2013)CrossRefMATH
6.
Xu, Z., King, I., Lyu, M.R.T., et al.: Discriminative semi-supervised feature selection via manifold regularization. IEEE Trans. Neural Networks 21(7), 1033–1047 (2010)CrossRef
7.
Han, Y., Yang, Y., Yan, Y., et al.: Semi-supervised feature selection via spline regression for video semantic recognition. IEEE Trans. Neural Networks. Learn. Syst. 26(2), 252–264 (2014)MathSciNet
8.
He, X., Cai, D., Niyogi, P.: Laplacian score for feature selection. Adv. Neural Inf. Process. Syst. 18, 507–514 (2005)
9.
Zhao, Z., Liu, H.: Spectral feature selection for supervised and unsupervised learning. In: Proceedings of the 24th International Conference on Machine Learning, pp. 1151−1157. ACM, New York (2007)
10.
Cai, D., Zhang, C., He, X.: Unsupervised feature selection for multi-cluster data. In: Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 333−342. ACM, New York (2010)
11.
Yang, Y., Shen, H.T., Ma, Z., et al.: L2, 1-Norm regularized discriminative feature selection for unsupervised learning. In: Proceedings of International Joint Conference on Artificial Intelligence, vol. 22(1), p. 1589 (2011)
12.
Qian, M., Zhai, C.: Robust unsupervised feature selection. In: Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence, pp. 1621–1627. AAAI Press, Menlo Park (2013)
13.
Zhu, P., Zuo, W., Zhang, L., et al.: Unsupervised feature selection by regularized self-representation. Pattern Recognit. 48(2), 438–446 (2015)CrossRef
14.
Yan, H., Yang, J., Yang, J.: Robust joint feature weights learning framework. IEEE Trans. Know. Data Eng. 28(5), 1327–1339 (2016)MathSciNetCrossRef
15.
Lee, K., Ho, J., Kriegman, D.: Acquiring linear subspaces for face recognition under variable lighting. IEEE Trans. Pattern Anal. Mach. Intell. 27(5), 684–698 (2005)CrossRef
16.
Terence, S., Simon, B., Maan, B.: The CMU pose, illumination, and expression (PIE) database. IEEE Trans. Pattern Anal. Mach. Intell. 25(12), 1615–1618 (2003)CrossRef
17.
Martinez A M. The AR face database. CVC Technical report 24 (1998)
18.
Nie, F., Huang, H., Cai, X., et al.: Efficient and robust feature selection via joint l2,1 norms minimization. Adv. Neural Inform. Process. Syst. 378, 1813–1821 (2010)
19.
Ding, C., Li, T.: Jordan MI convex and semi-nonnegative matrix factorizations. IEEE Trans. Pattern Anal. Mach. Intell. 32(1), 45–55 (2010)CrossRef
Metadaten
Titel
Unsupervised Feature Selection with Graph Regularized Nonnegative Self-representation
verfasst von
Yugen Yi
Wei Zhou
Yuanlong Cao
Qinghua Liu
Jianzhong Wang
Copyright-Jahr
2016
Buch
Biometric Recognition

Print ISBN: 978-3-319-46653-8

Electronic ISBN: 978-3-319-46654-5

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46654-5_65