在 SimpleMKL 中使用 SVDD 进行三维形状滤波

Gaëlle Loosli; Hattoibe Aboubacar

在 SimpleMKL 中使用 SVDD 进行三维形状滤波

机器学习 2017-12-08 v1 计算机视觉与模式识别

作者: Gaëlle Loosli , Hattoibe Aboubacar

摘要

本文提出基于 SimpleMKL 将支持向量数据描述（SVDD）适配到多核情形（MK-SVDD）。同时还引入了一种称为 Slim-MK-SVDD 的变体，能够在数据周围产生更紧致的边界。为了比较，也为单类 SVM 开发了等价方法，已知其在特定核形状下与 SVDD 非常相似。这些算法在三维形状滤波与离群点检测的背景下进行了说明。对于三维形状问题，目标是能够筛选三维形状的子类别，每个子类别均通过我们的算法学习以创建滤波器。对于离群点检测，我们将所提算法应用于无监督离群点检测以及有监督情形。

关键词

支持向量数据描述多核学习 SimpleMKL 三维形状滤波离群点检测单类 SVM

引用

@article{arxiv.1712.02658,
  title  = {Using SVDD in SimpleMKL for 3D-Shapes Filtering},
  author = {Gaëlle Loosli and Hattoibe Aboubacar},
  journal= {arXiv preprint arXiv:1712.02658},
  year   = {2017}
}

备注

9 pages, 6 figures, conference : https://cap2014.sciencesconf.org/

在 SimpleMKL 中使用 SVDD 进行三维形状滤波

摘要

关键词

引用

备注

相关论文