一种用于鲁棒图像分类的调和平均线性判别分析
计算机视觉与模式识别
2016-10-25 v2 人工智能
摘要
线性判别分析 (LDA) 是计算机视觉和模式识别中广泛使用的监督降维方法。在基于零空间的 LDA (NLDA)（一种著名的 LDA 扩展）中，类间距离在类内散度矩阵的零空间中被最大化。然而，NLDA 存在一些局限性。首先，对于许多数据集，类内散度矩阵的零空间不存在，因此 NLDA 不适用于这些数据集。其次，NLDA 使用类间距离的算术平均值，对所有类间距离给予同等考虑，这使得较大的类间距离可能主导结果，从而限制了 NLDA 的性能。在本文中，我们提出了一种基于调和平均的线性判别分析，即多类判别分析 (MCDA)，用于图像分类，该方法最小化成对类间距离的加权调和平均值的倒数。更重要的是，MCDA 优先最大化较小的类间距离。MCDA 可扩展至多标签降维。在 7 个单标签数据集和 4 个多标签数据集上的结果表明，就分类准确率、宏平均和微平均 F1 分数而言，MCDA 的性能始终优于 10 种其他单标签方法和 4 种其他多标签方法。
引用
@article{arxiv.1610.04631,
title = {A Harmonic Mean Linear Discriminant Analysis for Robust Image Classification},
author = {Shuai Zheng and Feiping Nie and Chris Ding and Heng Huang},
journal= {arXiv preprint arXiv:1610.04631},
year = {2016}
}
备注
IEEE 28th International Conference on Tools with Artificial Intelligence, ICTAI 2016