归一化未解释方差（nUV）不相似性度量的分段常数逼近的近似最优分箱
机器学习
2020-07-27 v1 计算机视觉与模式识别
机器学习
摘要
最近引入的色调映射匹配（MTM）不相似性度量能够在平滑非线性失真下进行模板匹配，并且具有坚实的数学背景。MTM 通过对模板进行分箱来操作，但对于特定问题，理想的分箱方式仍是一个悬而未决的问题。通过指出众所周知的互信息（MI）与 MTM 之间的一个重要类比，我们为 MTM 引入了术语“归一化未解释方差”（nUV），以强调其在图像处理之外的相关性和适用性。然后，我们提供了关于 nUV 度量最优分箱技术的理论结果，并提出了寻找近似解的算法。理论发现得到了数值实验的支持。使用所提出的分箱技术，在统计显著性下，AUC 分数提高了 4-13%，这使我们能够得出结论：所提出的分箱技术有潜力在实际应用中提高 nUV 度量的性能。
引用
@article{arxiv.2007.12463,
title = {Approximately Optimal Binning for the Piecewise Constant Approximation of the Normalized Unexplained Variance (nUV) Dissimilarity Measure},
author = {Attila Fazekas and György Kovács},
journal= {arXiv preprint arXiv:2007.12463},
year = {2020}
}