یادگیری چند نمونه ای بیزی متغیر با فرآیندهای گاوسی

عنوان یادگیری چند نمونه ای بیزی متغیر با فرآیندهای گاوسی
نویسنده هاوسمن، ام.، همپرشت، اف.آ.، کاندمیر، ملیح
تاریخ انتشار: 2017
محل انتشار - IEEE
موضوع روش های بیز، سرطان، الگوریتم انتظار-بیشینه سازی، فرآیندهای گاوسی، طبقه بندی تصویر، یادگیری (هوش مصنوعی)، تشخیص اشیا، طبقه بندی الگوها، تومورها
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-1-5386-0457-1
شماره ثبت fda540fa-58ee-4642-8ae2-e944e68ae256
محل کتابخانه علوم کامپیوتر
تاریخ 2017
یادداشت‌ها با توجه به محدودیت های کپی رایت، دسترسی به متن کامل این مقاله تنها از طریق اشتراک امکان پذیر است.
متن نمونه فرآیندهای گاوسی (GPs) پیش بینی کننده های بیزی موثر هستند. ما در اینجا برای اولین بار نشان می‌دهیم که برچسب‌های نمونه یک طبقه‌بندی کننده GP را می‌توان در تنظیمات یادگیری چند نمونه (MIL) با استفاده از Bayes متغیر استنباط کرد. ما به این امر از طریق ساخت جدیدی از احتمال کیفی دست می‌یابیم که اگر پیش‌بینی‌های نمونه از محدودیت‌های MIL پیروی کنند، مقدار زیادی را در نظر می‌گیرد و در غیر این صورت، مقدار کمی را در نظر می‌گیرد. این ساختار به ما امکان می دهد قوانین به روز رسانی برای پارامترهای متغیر را به صورت تحلیلی استخراج کنیم، که هم یادگیری مقیاس پذیر و هم همگرایی سریع را تضمین می کند. ما این مدل را برای بهبود وضعیت هنر در پیش‌بینی برچسب نمونه از نظارت بر سطح کیف در معیار ۲۰ گروه خبری، و همچنین در محلی‌سازی تومور سرطان بارتز از تصاویر میکروآرایه بافت هیستوپاتولوژی مشاهده می‌کنیم. علاوه بر این، ما خط لوله جدیدی را برای تشخیص اشیا با نظارت ضعیف معرفی می‌کنیم که به طور طبیعی با مدل ما تکمیل شده است، که وضعیت هنر را در مجموعه داده‌های PASCAL VOC 2007 و 2012 بهبود می‌بخشد. آخرین اما نه کم‌اهمیت، عملکرد مدل ما را می‌توان با استفاده از نظارت مختلط افزایش داد: ترکیبی از برچسب‌های ضعیف (کیف) و قوی (نمونه).
DOI 10.1109/CVPR.2017.93
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

یادگیری چند نمونه ای بیزی متغیر با فرآیندهای گاوسی

نویسنده هاوسمن، ام.، همپرشت، اف.آ.، کاندمیر، ملیح
تاریخ انتشار 2017
محل انتشار - IEEE
موضوع روش های بیز، سرطان، الگوریتم انتظار-بیشینه سازی، فرآیندهای گاوسی، طبقه بندی تصویر، یادگیری (هوش مصنوعی)، تشخیص اشیا، طبقه بندی الگوها، تومورها
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-1-5386-0457-1
شماره ثبت fda540fa-58ee-4642-8ae2-e944e68ae256
محل کتابخانه علوم کامپیوتر
تاریخ 2017
یادداشت‌ها با توجه به محدودیت های کپی رایت، دسترسی به متن کامل این مقاله تنها از طریق اشتراک امکان پذیر است.
متن نمونه فرآیندهای گاوسی (GPs) پیش بینی کننده های بیزی موثر هستند. ما در اینجا برای اولین بار نشان می‌دهیم که برچسب‌های نمونه یک طبقه‌بندی کننده GP را می‌توان در تنظیمات یادگیری چند نمونه (MIL) با استفاده از Bayes متغیر استنباط کرد. ما به این امر از طریق ساخت جدیدی از احتمال کیفی دست می‌یابیم که اگر پیش‌بینی‌های نمونه از محدودیت‌های MIL پیروی کنند، مقدار زیادی را در نظر می‌گیرد و در غیر این صورت، مقدار کمی را در نظر می‌گیرد. این ساختار به ما امکان می دهد قوانین به روز رسانی برای پارامترهای متغیر را به صورت تحلیلی استخراج کنیم، که هم یادگیری مقیاس پذیر و هم همگرایی سریع را تضمین می کند. ما این مدل را برای بهبود وضعیت هنر در پیش‌بینی برچسب نمونه از نظارت بر سطح کیف در معیار ۲۰ گروه خبری، و همچنین در محلی‌سازی تومور سرطان بارتز از تصاویر میکروآرایه بافت هیستوپاتولوژی مشاهده می‌کنیم. علاوه بر این، ما خط لوله جدیدی را برای تشخیص اشیا با نظارت ضعیف معرفی می‌کنیم که به طور طبیعی با مدل ما تکمیل شده است، که وضعیت هنر را در مجموعه داده‌های PASCAL VOC 2007 و 2012 بهبود می‌بخشد. آخرین اما نه کم‌اهمیت، عملکرد مدل ما را می‌توان با استفاده از نظارت مختلط افزایش داد: ترکیبی از برچسب‌های ضعیف (کیف) و قوی (نمونه).
DOI 10.1109/CVPR.2017.93
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید