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:
Projective Representation Learning for Discriminative Face Recognition Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Unsupervised Multi-view Subspace Learning via Maximizing Dependence

verfasst von : Meixiang Xu, Zhenfeng Zhu, Yao Zhao

Erschienen in: Computer Vision

Verlag: Springer Singapore

Einloggen

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

search-config
loading …

Abstract

The recent years have witnessed the great significance of learning from multi-view data in real-world tasks, such as clustering, classification and retrieval. In this paper, we propose an unsupervised dependence (correlation) maximization model, referred to as UDM, for multi-view subspace learning. Our proposed model is based on Hilbert-Schmidt Independence Criterion (HSIC), a kernel-based technique for measuring dependence between two random variables statistically. In the proposed model, sparse constraint on the projection matrix for each view is imposed as regularizations, playing the role of feature selection, which enables to capture more discriminative subspace representations. To efficiently solve the formulated optimization problem, an iterative optimizing algorithm is designed. Experimental results on cross-modal retrieval have shown the superiority of UDM over the compared approaches and the rapid convergence speed of the optimizing algorithm.

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 Visual Saliency Fusion Based Multi-feature for Semantic Image Retrieval
Nächstes Kapitel Structured Multi-view Supervised Feature Selection Algorithm Research
Literatur
1.
Cichocki, A., Yang, H.H.: A new learning algorithm for blind signal separation. NIPS 3, 757–763 (1996)
2.
Andrew, G., Arora, R., Blimes, J., Livescu, K.: Deep canonical correlation analysis. In: ICML, pp. 1247–1255 (2013)
3.
Cao, X., Zhang, C., Fu, H., Liu, S., Zhang, H.: Diversity-induced multi-view subspace clustering. In: CVPR, pp. 586–594 (2015)
4.
Chu, D., Liao, L., Ng, M.K., Zhang, X.: Sparse canonical correlation analysis:new formulation and algorithm. TPAMI 35(12), 3050–3065 (2013)CrossRef
5.
Chua, T.-S., Tang, J., Hong, R., Li, H., Luo, Z., Zhang, Y.: Nus-wide: a real-world web image database from national university of Singapore. In: CIVR (2009)
6.
Principe, J.C.: Information theory, machine learning, and reproducing kernel Hilbert spaces. In: Information Theoretic Learning. Information Science and Statistics, pp. 1–45. Springer, New York (2010)
7.
Fang, Z., Zhang, Z.: Simultaneously combining multi-view multi-label learning with maximum margin classification. In: ICDM, pp. 864–869 (2012)
8.
Gangeh, M.J., Fewzee, P., Ghodsi, A., Kamel, M.S., Karray, F.: Kernelized supervised dictionary learning. TSP 61(19), 4753–4767 (2013)MathSciNet
9.
Gangeh, M.J., Fewzee, P., Ghodsi, A., Kamel, M.S., Karray, F.: Multi-view supervised dictionary learning in speech emotion recognition. ACM Trans. Audio Speech Lang. Process. 22(6), 1056–1068 (2014)CrossRef
10.
11.
Hotelling, H.: Relations between two sets of variates. Biometrika 28(3/4), 321–377 (1936)CrossRefMATH
12.
Torkkola, K.: Feature extraction by non-parametric mutual information maximization. J. Mach. Learn. Res. 3(3), 1415–1438 (2003)MathSciNetMATH
13.
Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., Ng, A.: Multimodal deep learning. In: ICML, pp. 689–696 (2011)
14.
Nie, F., Huang, H., Cai, X., Ding, C.: Efficient and robust feature selection via joint l2,1-norms minimization. In: NIPS, pp. 1813–1821 (2010)
15.
Rasiwasia, N., Pereira, J.C., Coviello, E., Doyle, G., Lanckriet, G.R.G., Levy, R., Vasconcelos, N.: A new approach to cross-modal multimedia retrieval. In ICMM, pp. 251–260 (2010)
16.
Akaho, S.: A kernel method for canonical correlation analysis. In: IMPS 2001 (2007)
17.
Schölkopf, B., Mika, S., Smola, A., Rätsch, G., Müller, K.R.: Kernel PCA pattern reconstruction via approximate pre-images. In: Niklasson, L., Bodén, M., Ziemke, T. (eds.) ICANN 1998. Perspectives in Neural Computing, pp. 147–152. Springer, London (1998). https://​doi.​org/​10.​1007/​978-1-4471-1599-1_​18
18.
Sharma, A., Jacobs, D.W.: Bypassing synthesis: PLS for face recognition with pose, low-resolution and sketch. In: CVPR, pp. 593–600 (2011)
19.
Tae-Kyun, K., Kittler, J., Cipolla, R.: Discriminative learning and recognition of image set classess using canonical correlation. TPAMI 29(6), 1005–1018 (2007)CrossRef
20.
Tenenbaum, J.B., Freeman, W.T.: Separating style and content with bilinear models. Neural Comput. 12(6), 1247–1283 (2000)CrossRef
21.
Wang, K., He, R., Wang, L., Wang, W., Tan, T.: Joint feature selection and subspace learning for cross-modal retrieval. TPAMI 38(10), 2010–2023 (2016)CrossRef
22.
Wang, W., Arora, R., Livescu, K., Bilmes, J.: On deep multi-view representation learning. In: ICML (2015)
23.
Wei, Y., Zhao, Y., Lu, C., Wei, S., Liu, L., Zhu, Z., Yan, S.: Cross-modal retrieval with cnn visual features: A new baseline. TCB 47(2), 449–460 (2017)
Metadaten
Titel
Unsupervised Multi-view Subspace Learning via Maximizing Dependence
verfasst von
Meixiang Xu
Zhenfeng Zhu
Yao Zhao
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Computer Vision

Print ISBN: 978-981-10-7301-4

Electronic ISBN: 978-981-10-7302-1

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-7302-1_12