導讀：ECAI 2016是歐洲展示AI科學成果的最佳場所，大會爲研究人員提供了很好的機會，去介紹和聽取當代最優秀的人工智能研究成果。
圖像分類的隨機分佈特徵（Randomized Distribution Feature for Image Classification）
摘要：局部圖像特徵可以被假定是從一個未知的分佈中描繪出來的。而對於圖像分類，這樣的特徵則是通過基於直方圖的模型或基於度量的模型進行比較。將這些局部特徵爲量化一組直方圖，基於直方圖的模型非常方便，而且有圖像的矢量表示，但信息可能會在矢量量化時丟失。與基於直方圖的模型不同的是，基於度量的模型在局部特徵的潛在分佈上估計指標，實現更好的預測性能。然而，該模型需要更高的計算成本，而且沒有了矢量表示圖像的效益。
爲了保持這兩種模式的優勢，本文提出（雙）隨機分佈特徵，利用隨機傅立葉特徵將每個圖像的局部特徵的潛在分佈表示成一個矢量特徵。我們證明了相似性和距離的收斂基於隨機分佈特徵。隨機分佈特徵的顯著優點是它有矢量表示，因此可以有效地計算成基於直方圖的模型。此外，它提供了嚴格的理論保證和像基於度量的模型一樣具有競爭性的性能。相比於結果最好的算法，在三個現實世界數據集中的實驗表明，我們提出的方法以更快的計算速度達到了具有競爭性的分類精度。此外，我們證明了我們提出的特徵可以利用基於矢量學習的方法，它在傳統的機器學習領域早已受到廣泛研究，以處理基於分佈學習中的問題。
第一作者
Hongming Shan
職位：復旦大學計算機科學學院博士
研究方向：機器學習，數據挖掘，計算機視覺，降維，隨機算法等
相關學術論文：
·「Learning Linear Representation of Space Partitioning Trees based on Unsupervised Kernel Dimension Reduction」（IEEE Transactions on Cybernetics, 2016）
·「Real-valued Multivariate Dimension Reduction」（Machine Learning and Application 2013）
via：ECAI 2016
PS : 本文由雷鋒網(公衆號：雷鋒網)獨家編譯，未經許可拒絕轉載！
