چکیده فارسی :

در این مقاله یک روش مبتنی بر یادگیری چند شاخه ای تحت عنوان LMMDE برای استخراج ویژگی یشنهاد می شود. الگوریتم محلی پیشنهادی و دیگر رویه های مبتنی بر یادگیری چند شاخه ای، دارای این نقطه مشترک هستند که ویژگی محلی بودن در آنها حفظ می شود. به علاوه LMMDE فشردگی درون هر کلاس و قابلیت جداسازی بین کلاس های مختلف از نمونه هایی که در هر شاخه قرار گرفته اند، را بررسی می کند. به علاوه برای هر نقطه داده، نقاط داده مجاور را با یک برچسب کلاس در نظر می گیرد که باید تا حد ممکن به هم نزدیک باشند، در حالی که به صورت همزمان، نقاط داده ی مجاور را با برچسب های کلاس های مختلف، تا حد ممکن دور از هم نگه می دارد، تحت این محدودیت که باید ویژگی محلی بودن حفظ شود. این روش در قیاس با اغلب روش های مبتنی بر یادگیری چندشاخه ای به روز شده، سبب دسته بندی الگو از دو جنبه می شود. از یک سو ساختار محلی در هر شاخه همچنان در فضای ادغام شده حفظ می شود و از سوی دیگر، اطلاعات تفکیک سازی در هر شاخه را می توان بررسی کرد. نتایج آزمایشات بر روی پایگاه داده های چهره ی ORL, Yale, FERET نشان دهنده ی کارایی روش پیشنهادی است.

واژه های کلیدی: تفکیک بیشترین حاشیه محلی، ادغام، تصویرسازی با حفظ ویژگی محلی، معیار بیشترین حاشیه، مشکل اندازه کوچک نمونه ها، ساختار محلی، مبتنی بر نمایش، کاهش ابعاد، یادگیری چندشاخه ای، تشخیص چهره

چکیده انگلیسی :

In this paper, a manifold learning based method named local maximal margin discriminant embedding (LMMDE) is developed for feature extraction. The proposed algorithm LMMDE and other manifold learning based approaches have a point in common that the locality is preserved. Moreover, LMMDE takes consideration of intra-class compactness and inter-class separability of samples lying in each manifold. More concretely, for each data point, it pulls its neighboring data points with the same class label towards it as near as possible, while simultaneously pushing its neighboring data points with different class labels away from it as far as possible under the constraint of locality preserving. Compared to most of the up-to-date manifold learning based methods, this trick makes contribution to pattern classification from two aspects. On the one hand, the local structure in each manifold is still kept in the embedding space; one the other hand, the discriminant information in each manifold can be explored. Experimental results on the ORL, Yale and FERET face databases show the effectiveness of the proposed method.