多模态子空间支持向量数据描述
机器学习
2020-09-15 v2 机器学习
摘要
在本文中，我们提出了一种将多模态数据投影到为单类分类优化的新子空间的新方法。所提方法迭代地将各模态数据从原始特征空间变换到新的公共特征空间，同时寻找来自所有模态数据的联合紧凑描述。对于每种模态中的数据，我们定义单独的变换，通过仅利用来自感兴趣类别的可用信息，将数据从相应特征空间映射到新的优化子空间。我们还提出了该方法的不同的正则化策略，并给出了线性和非线性公式。所提的多模态子空间支持向量数据描述在五个数据集中的四个上优于使用单一模态数据或融合所有模态数据的所有竞争方法。
引用
@article{arxiv.1904.07698,
title = {Multimodal Subspace Support Vector Data Description},
author = {Fahad Sohrab and Jenni Raitoharju and Alexandros Iosifidis and Moncef Gabbouj},
journal= {arXiv preprint arXiv:1904.07698},
year = {2020}
}
备注
26 pages manuscript (6 tables, 2 figures), 24 pages supplementary material (27 tables, 10 figures). The manuscript and supplementary material are combined as a single .pdf (50 pages) file