局部样条嵌入的正交半监督子空间学习算法  

A Semi-supervised Orthogonal Subspace Learning with Spline Embedding

作　　者：朱科[1] 邵健[1] 郭同强[1] 

机构地区：[1]浙江大学计算机科学与技术学院数字媒体计算与设计实验室,杭州310027

出　　处：《计算机辅助设计与图形学学报》2010年第12期2209-2214,共6页Journal of Computer-Aided Design & Computer Graphics

基　　金：国家自然科学基金(90920303;60833006);国家"八六三"高技术研究发展计划(2006AA010107);长江学者和创新团队发展计划(IRT0652);中央高校基本科研业务费专项基金(KYJD09008)

摘　　要：为了更加准确地对图像进行聚类与分类,提出一种基于局部样条嵌入的正交半监督子空间学习算法.通过学习一个正交投影矩阵,使得训练样本中的标注数据经过投影矩阵降维后类间离散度尽量大,类内离散度尽量小;采用局部样条回归将局部低维嵌入坐标映射成全局低维嵌入坐标,使得被投影数据保持原有流形结构,并有效地利用有标注训练样本和未标注训练样本得到优化的图像表达方式.图像聚类与分类实验的结果表明了文中算法的有效性.In order to improve the performance of image clustering and classification,this paper proposes a semi-supervised orthogonal projection with spline embedding（SOPSE）.SOPSE utilizes both labeled and unlabeled samples to learn an orthogonal projection subspace where the separability between different classes is maximized and the separability within the same classes is minimized.At the same time,SOPSE can guarantee the manifold geometry of original high-dimensional data by transforming local coordinators to global coordinators in reduced subspace with local spline embedding.The experiments demonstrate the effectiveness of the proposed method.

关 键 词：线性鉴别分析 半监督学习 局部样条嵌入 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]