模式分类中预定义均匀分布类质心的生成与框架特性
计算机视觉与模式识别
2021-06-23 v2
摘要
预定义均匀分布类质心(PEDCC)可广泛应用于模式分类的模型与算法中，如CNN分类器、分类自编码器、聚类及半监督学习等。其基本思想是在特征空间的单位超球面上预定义均匀分布的类中心，以最大化类间距离。先前生成PEDCC的方法采用基于电荷模型的迭代算法，即各类中心(电荷位置)的初始值从正态分布中随机设定，并借助同极性电荷间的排斥力迭代更新电荷位置。该算法生成的类中心与理论上均匀分布的点会产生一定误差，且生成时间较长。本文利用高维空间中的正多面体以及n维超球面上点的均匀分布，从数学上生成PEDCC。随后，我们讨论了由PEDCC所构成框架的基本特性与扩展特性。最后，实验表明新算法不仅比迭代法更快，而且位置更精确。本文的数学分析与实验结果可为利用PEDCC解决模式识别领域中的可解释有监督/无监督学习、增量学习、不确定性分析等关键问题提供理论工具。
引用
@article{arxiv.2105.00401,
title = {Generation and frame characteristics of predefined evenly-distributed class centroids for pattern classification},
author = {Haiping Hu and Yingying Yan and Qiuyu Zhu and Guohui Zheng},
journal= {arXiv preprint arXiv:2105.00401},
year = {2021}
}