量化 Fisher 判别分析
机器学习
2019-09-09 v1 信息论
机器学习
图像与视频处理
math.IT
摘要
本文提出了一种新的子空间学习方法，名为量化 Fisher 判别分析（QFDA），该方法同时利用了机器学习和信息论。目前缺乏将机器学习与信息论相结合的文献，本文试图填补这一空白。QFDA 寻找一个子空间，该子空间在离散余弦变换（DCT）域中对均匀量化图像的判别能力，至少与 Fisher 判别分析（FDA）对非量化图像的判别能力一样好，而此时图像已被压缩。这有助于用户丢弃原始图像而保留压缩图像，而不会造成明显的分类精度损失。我们提出了一个代价函数，其最小化可以解释为信息论中的率失真优化。我们还提出了用于 QFDA 中面部分析的量化 Fisher 脸。我们在 AT&T 人脸数据集和 Fashion MNIST 数据集上的实验表明了这种子空间学习方法的有效性。
引用
@article{arxiv.1909.03037,
title = {Quantized Fisher Discriminant Analysis},
author = {Benyamin Ghojogh and Ali Saheb Pasand and Fakhri Karray and Mark Crowley},
journal= {arXiv preprint arXiv:1909.03037},
year = {2019}
}