用于网络图像标注的流形正则化核逻辑回归
机器学习
2013-12-24 v1 多媒体
摘要
随着互联网技术和智能设备的快速发展，用户经常需要使用智能设备管理大量多媒体信息，例如个人图像和视频的访问与浏览。这些需求高度依赖于图像（视频）标注的成功，因此近年来通过创新机器学习方法进行大规模图像标注引起了广泛关注。支持向量机 (SVM) 是其中的代表性工作。虽然它在二分类中表现良好，但 SVM 具有非平滑损失函数，且无法自然地涵盖多类情况。在本文中，我们提出了用于网络图像标注的流形正则化核逻辑回归 (KLR)。与 SVM 相比，KLR 具有以下优势：(1) KLR 具有平滑损失函数；(2) KLR 产生概率的显式估计而非类别标签；(3) KLR 可以自然地推广到多类情况。我们在 MIR FLICKR 数据集上仔细进行了实验，证明了流形正则化核逻辑回归在图像标注中的有效性。
引用
@article{arxiv.1312.6180,
title = {Manifold regularized kernel logistic regression for web image annotation},
author = {W. Liu and H. Liu and D. Tao and Y. Wang and K. Lu},
journal= {arXiv preprint arXiv:1312.6180},
year = {2013}
}
备注
submitted to Neurocomputing