通过监督投影到高维空间的低维实例多分排序-选择

剪除冗余或不相关的数据实例是每个成功的模式识别解决方案的关键。在本文中，我们提出了一种新颖的排序-选择框架，用于低长度但高度相关的实例。我们不是在低维实例空间中工作，而是学习一个监督投影，将其映射到由所研究数据集中的类别数所张成的高维空间。通过向实例暴露标签概念来施加更高的区分度，使得能够对每个单独的类别部署一对多排序，并通过整体得分的自适应阈值化来选择优质实例。为证明我们范式的效率，我们将其用于纹理理解这一目的，由于纹理像素的高度相似性及其颜色特征的低维度，这是一个困难的识别挑战。我们的实验表明，在多个公开数据集上，与其他局部描述符相比，识别性能有显著提升。