用于分类的极小监督特征选择（布加勒斯特理工大学硕士论文）
计算机视觉与模式识别
2015-12-10 v1
摘要
在当今特征数量急剧增加的背景下，我们设计了一种鲁棒且快速的特征选择方法。该方法试图选择彼此独立但组合起来具有强判别力的最具代表性的特征。我们提出了一种仅需极少量标注数据（每类少至一个标注帧）并能容纳大量未标注样本的算法。我们还在此介绍了我们所起始的监督方法。我们将我们的两种公式与已有方法如AdaBoost、SVM、Lasso、Elastic Net和FoBa进行比较，表明我们的方法快得多且训练时间恒定。此外，无监督方法优于我们所比较的所有方法，且差异可能相当显著。监督方法在大多数情况下优于其他方法，尤其在训练样本数非常有限时。算法所需做的仅是从正相关的特征池中挑选。这些方法在Youtube-Objects视频数据集和MNIST数字数据集上评估，而在训练时我们还使用了在CIFAR10数据集上获得的特征以及其他在ImageNet数据集上预训练的特征。由此，我们也证明了迁移学习是有用的，尽管数据集差异很大：从10类的低分辨率居中图像，到具有出现在图像不同区域的1000类物体的高分辨率图像，或是具有非常高类内方差的非常困难的视频。
引用
@article{arxiv.1512.03019,
title = {Minimally Supervised Feature Selection for Classification (Master's Thesis, University Politehnica of Bucharest)},
author = {Alexandra Maria Radu},
journal= {arXiv preprint arXiv:1512.03019},
year = {2015}
}