用于后期分类器融合的 PAC-Bayesian 多数投票
机器学习
2015-01-16 v1 计算机视觉与模式识别
机器学习
多媒体
摘要
近年来，多媒体索引受到了广泛关注。文献中通常考虑两种融合方案：早期融合和后期融合。本文聚焦于后期分类器融合，即在决策层融合各模态的得分。为解决此问题，我们研究了一种源自机器学习 PAC-Bayes 理论、近期提出且理论基础完善的优雅二次规划方法 MinCq。MinCq 在一组被视为投票者的实值函数上寻找加权组合，利用投票者的多样性以获得最低的误分类率。我们证明该方法自然适用于后期融合过程。通过增加用于排序的保序成对损失，我们提出了 MinCq 的扩展，以帮助提升平均精度均值。我们在真实图像基准上的实验证实了基于 MinCq 的融合方法的良好性能。
引用
@article{arxiv.1207.1019,
title = {PAC-Bayesian Majority Vote for Late Classifier Fusion},
author = {Emilie Morvant and Amaury Habrard and Stéphane Ayache},
journal= {arXiv preprint arXiv:1207.1019},
year = {2015}
}
备注
7 pages, Research report