基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
稀疏表示因其所具有的鲁棒性,在模式分类领域逐渐得到关注.研究了一种基于稀疏保留模型的新颖领域适应学习方法,并提出一种鲁棒的稀疏标签传播领域适应学习(sparse label propagation domain adaptation learning,简称 SLPDAL)算法.SLPDAL 通过将目标领域数据进行稀疏重构,以实现源领域数据标签向目标领域平滑传播.具体来讲,SLPDAL算法分为3步:首先,基于领域间数据分布均值差最小化准则寻求一个优化的核空间,并将领域数据嵌入到该核空间;然后,在该嵌入核空间,基于 l1-范最小化准则计算各领域数据的核稀疏重构系数;最后,通过保留领域数据间核稀疏重构系数约束,实现源领域数据标签向目标领域的传播.最后,将 SLPDAL 算法推广到多核学习框架,提出一个SLPDAL多核学习模型.在鲁棒人脸识别、视频概念检测和文本分类等领域适应学习任务上进行比较实验,所提出的方法取得了优于或可比较的学习性能.
推荐文章
一种鲁棒的稀疏信号重构算法
稀疏信号
重构
鲁棒
局部极小点
一种超声测距的鲁棒自适应建模方法
超声测距
自适应滤波
鲁棒自适应建模
x2检验
一种鲁棒稀疏表示的单样本人脸识别算法
稀疏表示
单样本
人脸识别
位置图像
L2,1范数
基于HTP稀疏表示的鲁棒目标追踪方法
目标追踪
稀疏表示
硬阈值追踪
计算量
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 稀疏标签传播:一种鲁棒的领域适应学习方法
来源期刊 软件学报 学科 工学
关键词 领域适应学习 稀疏表示 标签传播 最大均值差 多核学习
年,卷(期) 2015,(5) 所属期刊栏目 模式识别与人工智能
研究方向 页码范围 977-1000
页数 24页 分类号 TP181
字数 19568字 语种 中文
DOI 10.13328/j.cnki.jos.004575
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王士同 香港理工大学电子计算学系 528 3424 23.0 37.0
3 姚奇富 浙江工商职业技术学院电子与信息工程学院 46 275 9.0 14.0
4 陶剑文 浙江大学宁波理工学院信息科学与工程学院 6 20 3.0 4.0
7 Fu-Lai CHUNG 香港理工大学电子计算学系 1 11 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (12)
共引文献  (3)
参考文献  (23)
节点文献
引证文献  (11)
同被引文献  (6)
二级引证文献  (22)
2000(2)
  • 参考文献(2)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(3)
  • 参考文献(2)
  • 二级参考文献(1)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2008(3)
  • 参考文献(1)
  • 二级参考文献(2)
2009(2)
  • 参考文献(1)
  • 二级参考文献(1)
2010(10)
  • 参考文献(6)
  • 二级参考文献(4)
2011(7)
  • 参考文献(5)
  • 二级参考文献(2)
2012(5)
  • 参考文献(4)
  • 二级参考文献(1)
2013(1)
  • 参考文献(1)
  • 二级参考文献(0)
2015(1)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(1)
  • 二级引证文献(0)
2015(1)
  • 引证文献(1)
  • 二级引证文献(0)
2016(1)
  • 引证文献(1)
  • 二级引证文献(0)
2017(4)
  • 引证文献(3)
  • 二级引证文献(1)
2018(6)
  • 引证文献(1)
  • 二级引证文献(5)
2019(12)
  • 引证文献(4)
  • 二级引证文献(8)
2020(9)
  • 引证文献(1)
  • 二级引证文献(8)
研究主题发展历程
节点文献
领域适应学习
稀疏表示
标签传播
最大均值差
多核学习
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
软件学报
月刊
1000-9825
11-2560/TP
16开
北京8718信箱
82-367
1990
chi
出版文献量(篇)
5820
总下载数(次)
36
相关基金
浙江省自然科学基金
英文译名:
官方网址:http://www.zjnsf.net/
项目类型:一般项目
学科类型:
论文1v1指导