面向后期融合的多样化分类器多数投票
机器学习
2014-06-20 v2 机器学习
多媒体
摘要
在过去几年中，通过融合多模态信息进行多媒体索引受到了广泛关注。通常考虑两种融合方案：早期融合和后期融合。我们关注后期分类器融合，即在决策层结合各模态的得分。为了解决这一问题，我们研究了一种源自机器学习 PAC-Bayes 理论的、新颖且优雅且有充分基础的二次规划方法 MinCq。MinCq 寻求在一组被视为投票者的实值函数上的加权组合，在最大化投票者多样性的同时，实现最低的误分类率。我们提出了一种针对多媒体索引定制的 MinCq 扩展。我们的方法基于一种适应于排序的保序成对损失，使我们能够在考虑我们想要融合的投票者多样性的同时，改进平均精度均值（Mean Averaged Precision）度量。我们提供了证据表明该方法自然适用于后期融合流程，并在具有挑战性的 PASCAL VOC'07 基准上证实了我们方法的良好性能。
引用
@article{arxiv.1404.7796,
title = {Majority Vote of Diverse Classifiers for Late Fusion},
author = {Emilie Morvant and Amaury Habrard and Stéphane Ayache},
journal= {arXiv preprint arXiv:1404.7796},
year = {2014}
}
备注
IAPR Joint International Workshops on Statistical Techniques in Pattern Recognition and Structural and Syntactic Pattern Recignition, Joensuu : Finland (2014)