用于多实例直方图表示的基于 Earth Mover's Distance 的稀疏编码
机器学习
2016-03-15 v2 机器学习
摘要
稀疏编码 (Sc) 作为一种强大的数据表示方法已被深入研究。它试图通过将数据样本的特征向量重构为某些基本元素的稀疏线性组合来表示该向量，通常使用范数距离函数作为重构误差的损失函数。在本文中，我们研究在多实例学习框架内使用 Sc 作为表示方法，其中样本以实例包的形式给出，并进一步表示为量化实例的直方图。我们认为，对于直方图类型的数据，使用范数距离并不合适，并提议使用 Earth Mover's Distance (EMD) 代替范数距离作为重构误差的度量。通过最小化样本直方图与其由某些基本直方图重构结果之间的 EMD，我们开发了一种新的稀疏编码方法，称为 SC-EMD。我们在两个多实例学习问题中评估了其作为直方图表示方法的性能：无线胶囊内镜视频中的异常图像检测和蛋白质结合位点检索。令人鼓舞的结果证明了新方法相对于传统使用范数距离方法的优势。
引用
@article{arxiv.1502.02377,
title = {Sparse Coding with Earth Mover's Distance for Multi-Instance Histogram Representation},
author = {Mohua Zhang and Jianhua Peng and Xuejie Liu and Jim Jing-Yan Wang},
journal= {arXiv preprint arXiv:1502.02377},
year = {2016}
}