利用最细微主成分分析的高维模态搜寻
计算机视觉与模式识别
2022-02-16 v1
摘要
主成分分析长久以来被用于降低数据集的维度。本文中，我们将证明在模态检测中，方差最小的成分——即最细微主成分——更为重要。我们证明对于多元正态或Laplace分布，通过实施“最细微主成分分析”可获得最优体积的盒子，即在相同维数与固定概率的所有可能盒子中其体积最小。这种体积缩减产生了以主动信息度量的信息增益。我们用一项仿真以及利用著名MNIST数据库对手写数字图像模态模式的搜索来说明结果；两种情形下最细微主成分均优于其竞争者。事实上，我们表明由最细微主成分获得的模态比主成分生成更好的MNIST手写数字。
引用
@article{arxiv.2101.04287,
title = {3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification},
author = {Haokui Zhang and Chengrong Gong and Yunpeng Bai and Zongwen Bai and Ying Li},
journal= {arXiv preprint arXiv:2101.04287},
year = {2022}
}
备注
19 pages, 13 figures