Prepoznavanje oblika sa retkom reprezentacijom kovarijansnih matrica i kovarijansnim deskriptorima
| Rok vydání: | 2017 |
|---|---|
| Předmět: |
Гаусове смеше
covariance matrix Prepoznavanje oblika data analysis analiza podataka анализа података retkareprezentacija signala digitalna obrada slike digital image processing дигитална обрада слике kovarijansna matrica sparserepresentation of signals коваријансна матрица Pattern recognition Препознавање облика Gausove smeše Gaussian mixtures реткарепрезентација сигнала |
| Popis: | У раду је предложен нови модел за ретку апроксимацију Гаусовихкомпоненти у моделима за статистичко препознавање обликазаснованим на Гаусовим смешама, а са циљем редукције сложеностипрепознавања. Апроксимације инверзних коваријансних матрицаконструишу се као ретке линеарне комбинације симетричних матрица изнаученог редундантног скупа, коришћењем информационог критеријумакоји почива на принципу минимума дискриминативне информације.Ретка репрезентација подразумева релативно мали број активнихкомпоненти приликом реконструкције сигнала, а тај циљ постиже такошто истовремено тежи: очувању информационог садржаја иједноставности представе или репрезентације. U radu je predložen novi model za retku aproksimaciju Gausovihkomponenti u modelima za statističko prepoznavanje oblikazasnovanim na Gausovim smešama, a sa ciljem redukcije složenostiprepoznavanja. Aproksimacije inverznih kovarijansnih matricakonstruišu se kao retke linearne kombinacije simetričnih matrica iznaučenog redundantnog skupa, korišćenjem informacionog kriterijumakoji počiva na principu minimuma diskriminativne informacije.Retka reprezentacija podrazumeva relativno mali broj aktivnihkomponenti prilikom rekonstrukcije signala, a taj cilj postiže takošto istovremeno teži: očuvanju informacionog sadržaja ijednostavnosti predstave ili reprezentacije. Paper presents a new model for sparse approximation of Gaussiancomponents in statistical pattern recognition models that are based onGaussian mixtures, with the aim of reducing computational complexity.Approximations of inverse covariance matrices are designed as sparse linearcombinations of symmetric matrices that form redundant set, which is learnedthrough information criterion based on the principle of minimumdiscrimination information. Sparse representation assumes relatively smallnumber of active components in signal reconstruction, and it achieves thatgoal by simultaneously striving for: preservation of information content andsimplicity of notion or representation. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|