适应模板重建,以实现有效的模式分类
Su Yang1, Sanaul Hoque2, Farzin Deravi2
1Department of Computer Science, Faculty of Science & Engineering, Swansea University, Swansea SA1 8EN, UK.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
一个新的模式分类算法通过转换特征和重建模板,在有限的,杂的数据中脱而出. 这种方法可以改善图像和时间序列的分类,即使训练样本很少.
科学领域:
- 机器学习 机器学习
- 模式识别 模式识别
- 数据科学数据科学数据科学
背景情况:
- 模式分类经常与有限或杂的训练数据作斗争.
- 在如此具有挑战性的条件下,现有的算法可能无法实现最佳性能.
研究的目的:
- 引入和评估一种基于实例的新型算法,用于模式分类.
- 在处理稀缺和杂的数据集时,解决现有方法的局限性.
主要方法:
- 拟议的算法转换基于特征空间分布的查询数据和训练模板.
- 一个关键的新鲜事物是模板重建,通过有限的训练数据提高性能.
- 该方法在图像 (FASHION-MNIST,CIFAR-10) 和时间序列 (EEG) 数据集上进行了评估.
主要成果:
- 在使用小型训练子集的图像数据集上,与使用完整数据集的最先进方法相比,在使用小型训练子集的图像数据集上实现了2-3%的平均分类改进.
- 在分类非静止的,杂的脑电图 (EEG) 信号方面已证明有效.
- 对特征实例的自适应重建显著改善了对图像和时间序列的类分离和匹配.
结论:
- 这种新的算法在模式分类中显示出了显著的改进,特别是在有限和杂的数据中.
- 它的多功能性已经在图像和时间序列数据中得到证实,包括具有挑战性的EEG信号.
- 该方法具有各种应用的潜力,需要在数据约束下进行可靠的分类.
相关概念视频
01:19Survival Tree
110
Survival trees are a non-parametric method used in survival analysis to model the relationship between a set of covariates and the time until an event of interest occurs, often referred to as the "time-to-event" or "survival time." This method is particularly useful when dealing with censored data, where the event has not occurred for some individuals by the end of the study period, or when the exact time of the event is unknown.
Building a Survival Tree
Constructing a...
Building a Survival Tree
Constructing a...
110
01:28Methods of Classification and Identification
37
Bacterial identification relies on a diverse array of techniques to classify and understand microorganisms, each tailored to uncover specific characteristics. Traditional morphological approaches, while still valuable, are limited for closely related or structurally simple organisms. Modern methods integrate biochemical, serological, genetic, and advanced molecular tools to achieve greater accuracy.Morphological and Biochemical TechniquesMorphological characteristics, such as cell shape and...
37