Regression techniques, such as ridg

Regression techniques, such as ridge regression (RR) and logistic regression (LR), have been widely used in supervised learning for pattern classification. However, these methods mainly exploit the class label information for linear mapping function learning. They will become less effective when the number of training samples per class is small. In visual classification tasks such as face recognition, the appearance of the training sample images also conveys important discriminative information. This paper proposes a novel regression based classification model, namely Bayesian sample steered discriminative regression (BSDR), which simultaneously exploits the sample class label and the sample appearance for linear mapping function learning by virtue of the Bayesian formula. BSDR learns a linear mapping for each class to extract the image class label features, and classification can be simply done by nearest neighbor classifier. The proposed BSDR method has advantages such as small number of mappings, insensitiveness to input feature dimensionality and robustness to small sample size. Extensive experiments on several biometric databases also demonstrate the promising classification performance of our method.

ผลลัพธ์ (ไทย) 1:

เทคนิคการถดถอย เช่นถดถอยริดจ์ (RR) และการถดถอยโลจิสติก (LR), มีการอย่างกว้างขวางใช้ในการเรียนรู้ดูแลการจัดรูปแบบ อย่างไรก็ตาม วิธีการเหล่านี้ส่วนใหญ่ทำลายชั้นป้ายชื่อข้อมูลการเรียนรู้ฟังก์ชันเชิงเส้นการแม็ป พวกเขาจะมีผลน้อยเมื่อจำนวนของตัวอย่างการฝึกอบรมต่อชั้นมีขนาดเล็ก ในการจำแนกภาพงานเช่นจดจำใบหน้า ลักษณะที่ปรากฏของรูปภาพตัวอย่างการฝึกอบรมยังถ่ายทอดข้อมูลสำคัญ discriminative กระดาษนี้เสนอการถดถอยที่นวนิยายตามรูปแบบการจัดประเภท คือ ตัวอย่างทฤษฎีนำถดถอย discriminative (BSDR), ซึ่งพร้อมนำป้ายชื่อคลาสตัวอย่างและลักษณะตัวอย่างสำหรับฟังก์ชันแมปเชิงเรียนรู้อานิสงส์สูตรทฤษฎี BSDR เรียนรู้การแม็ปเชิงเส้นสำหรับแต่ละชั้นจะดึงคุณสมบัติป้ายชื่อระดับของภาพ และการจัดประเภทสามารถทำได้เพียง โดยลักษณนามของเพื่อนบ้านที่ใกล้ที่สุด BSDR วิธีการนำเสนอมีประโยชน์เช่นจำนวนแม็ป insensitiveness เพื่อมิติคุณลักษณะการป้อนข้อมูลและมีความทนทานขนาดเล็กตัวอย่างขนาดเล็ก การทดลองครอบคลุมหลายฐานข้อมูลชีวภาพยังแสดงให้เห็นถึงแนวโน้มจำแนกประสิทธิภาพของวิธีการของเรา

ผลลัพธ์ (ไทย) 2:

เทคนิคการถดถอยเช่นสันเขาถดถอย (RR) และการถดถอยโลจิสติก (LR) ได้ถูกนำมาใช้กันอย่างแพร่หลายในการเรียนรู้ภายใต้การดูแลสำหรับการจำแนกรูปแบบ แต่วิธีการเหล่านี้ส่วนใหญ่ใช้ประโยชน์จากข้อมูลฉลากชั้นเรียนสำหรับการทำแผนที่เชิงเส้นการเรียนรู้ฟังก์ชั่น พวกเขาจะกลายเป็นมีประสิทธิภาพน้อยลงเมื่อจำนวนตัวอย่างการฝึกอบรมต่อชั้นที่มีขนาดเล็ก ในงานการจัดหมวดหมู่ภาพเช่นการจดจำใบหน้าลักษณะของภาพตัวอย่างการฝึกอบรมยังบ่งบอกถึงข้อมูลที่สำคัญจำแนก บทความนี้นำเสนอรูปแบบการถดถอยจำแนกตามนวนิยายคือตัวอย่างคชกรรมนำถดถอยจำแนก (BSDR) ซึ่งพร้อมกันใช้ประโยชน์จากป้ายคลาสของตัวอย่างและลักษณะตัวอย่างสำหรับการเรียนรู้เชิงเส้นฟังก์ชั่นการทำแผนที่โดยอาศัยอำนาจตามสูตรเบส์ BSDR เรียนรู้การทำแผนที่เชิงเส้นสำหรับแต่ละชั้นจะดึงคุณสมบัติฉลาก CLASS ภาพและการจัดหมวดหมู่ที่สามารถทำได้ง่ายๆโดยลักษณนามเพื่อนบ้านที่ใกล้ที่สุด วิธี BSDR เสนอมีข้อดีเช่นจำนวนเล็ก ๆ ของแมปเพื่อ insensitiveness มิติคุณลักษณะการป้อนข้อมูลและความทนทานขนาดกลุ่มตัวอย่างขนาดเล็ก การทดลองอย่างกว้างขวางในฐานข้อมูลไบโอเมตริกซ์หลายคนก็ยังแสดงให้เห็นถึงผลการดำเนินงานการจัดหมวดหมู่ที่มีแนวโน้มของวิธีการของเรา

ผลลัพธ์ (ไทย) 3:

เทคนิคการถดถอย เช่น จ๋า ( RR ) และ Logistic Regression ( LR ) , มีการใช้กันอย่างแพร่หลายในการจัดการเรียนรู้แบบ อย่างไรก็ตาม วิธีการเหล่านี้ส่วนใหญ่ใช้ประโยชน์จากข้อมูลฉลากชั้นเรียนสำหรับฟังก์ชันการเรียนรู้แผนที่เชิงเส้น พวกเขาจะกลายเป็นมีประสิทธิภาพน้อยกว่า เมื่อจำนวนตัวอย่างต่อการฝึกอบรมชั้นเรียนมีขนาดเล็ก ในงานประเภทภาพเช่นใบหน้า , ลักษณะของการฝึกอบรมตัวอย่างภาพยังสื่อและข้อมูลสำคัญ บทความนี้เสนอแบบจำลองการถดถอยในนวนิยาย คือแบบตัวอย่างอ่ะค่าถดถอย ( bsdr ) ซึ่งใช้ประโยชน์จากตัวอย่างคลาสพร้อมกันฉลากและลักษณะตัวอย่างแผนที่เชิงเส้นฟังก์ชันการเรียนรู้โดยอาศัยสูตรของโธมัส ฮอบส์ bsdr เรียนรู้การทำแผนที่เชิงเส้นสำหรับแต่ละชั้นแยกฉลากและการจำแนกระดับภาพ คุณสมบัติ ก็ทำโดยเพื่อนบ้านที่ใกล้ที่สุดลักษณนาม เสนอ bsdr วิธีมีข้อดีเช่นจำนวนเล็ก ๆของชีวิต insensitiveness เพื่อ dimensionality คุณลักษณะ , การป้อนข้อมูลและความทนทานของตัวอย่างขนาดเล็ก การทดลองที่กว้างขวางหลายฐานข้อมูลไบโอเมทริกซ์ยังแสดงให้เห็นถึงแนวโน้มการประสิทธิภาพของวิธีการของเรา