文章基本信息

标题：Sparse and Non-Sparse Multiple Kernel Learning for Recognition
本地全文：下载
作者：Mitchel Alioscha-Pérez ; Hichem Sahli ; Isabel González 等
期刊名称：Computación y Sistemas
印刷版ISSN：1405-5546
出版年度：2012
卷号：16
期号：2
页码：167-174
语种：English
出版社：Instituto Politécnico Nacional
摘要：El desarrollo de técnicas MKL (aprendizaje de múltiples núcleos) ha sido de particular interés para los investigadores en el aprendizaje automatizado, en tópicos de visión por computadora, así como para el procesamiento de imágenes, clasificación de objetos, y reconocimiento del estado de los objetos. En ecuaciones donde se combinan múltiples núcleos, las normas de inducción de dispersión junto con las formulaciones de no dispersión, promueven diferentes grados de dispersión a nivel de los coeficientes de combinación, mientras que permiten la combinación no esparcida en los núcleos individuales. Esto hace de los modelos MKL muy adecuados para diferentes problemas, permitiendo la selección óptima del regularizador, y así lograr un mejor reconocimiento de acuerdo a la naturaleza del problema. En este trabajo, formulamos y discutimos las diferentes regularizaciones de MKL y los métodos de optimización relacionados, demostrando su efectividad en un problema de reconocimiento de visión por computadora.
其他摘要：The development of Multiple Kernel Techniques has become of particular interest for machine learning researchers in Computer Vision topics like image processing, object classification, and object state recognition. Sparsity-inducing norms along with non-sparse formulations promote different degrees of sparsity at the kernel coefficient level, at the same time permitting non-sparse combination within each individual kernel. This makes MKL models very suitable for different problems, allowing adequate selection of the regularizer according to different norms and the nature of the problem. We formulate and discuss MKL regularizations and optimization approaches, as well as demonstrate MKL effectiveness compared to the stateof-the-art SVM models using a Computer Vision Recognition problem.
关键词：Multiple kernel learning; object state recognition; norm regularizers; analytical updates; cutting plane method; Newton's method;Aprendizaje de múltiples núcleos; reconocimiento del estado de objetos; regularizadores de normas; actualizaciones analíticas; método de planos cortantes; método de Newton