基于相关熵损失多视图学习的海洋动物分类
计算机视觉与模式识别
2017-05-04 v1
摘要
为分析海洋动物的行为、季节性分布与丰度，可通过视觉或激光雷达（Lidar）相机获取数字图像。根据所获图像的数量与属性，动物或被表征为特征（形状、颜色、纹理等），或被表征为源自不同形状分析方法（形状上下文、内部距离形状上下文等）的相异度矩阵。对于这两种情况，多视图学习在整合多组特征或相异度矩阵以提升分类精度方面至关重要。本文在多视图学习中采用相关熵损失（correntropy loss）作为代价函数，其在抑制噪声方面具有良好的统计特性。对于特征情形，基于相关熵损失的多视图学习及其逐元素变体基于多视图完整空间学习算法而构建。对于相异度矩阵情形，鲁棒欧几里得嵌入算法被扩展为带有相关熵损失函数的多视图形式。模拟数据与真实世界海洋动物图像的结果表明，所提算法能有效提高分类率，并在不同噪声条件下抑制噪声。
引用
@article{arxiv.1705.01217,
title = {Marine Animal Classification with Correntropy Loss Based Multi-view Learning},
author = {Zheng Cao and Shujian Yu and Bing Ouyang and Fraser Dalgleish and Anni Vuorenkoski and Gabriel Alsenas and Jose Principe},
journal= {arXiv preprint arXiv:1705.01217},
year = {2017}
}