희소 추출 신경망을 이용한 특징 추출 기법
본 논문은 입력 데이터를 신경망을 통해 고차원 출력 공간으로 변환하면서, 같은 클래스 간 거리는 최소화하고 다른 클래스 간 거리는 최대화하도록 설계된 목표 함수를 제안한다. 추가로 출력의 L1 정규화를 통해 희소성을 유도하고, 가중치 L2 정규화로 과적합을 방지한다. 목표 함수의 미분을 6개의 항으로 분해하고, 그 중 4항은 기존 역전파, 1항은 약간 수정된 역전파, 나머지 1항은 단순 연산으로 계산한다. 실험은 ARABASE, CMU‑PIE,…
저자: Abdulrahman Oladipupo Ibraheem
본 논문은 특징 추출이 패턴 인식 시스템에서 가장 중요한 단계라는 전제 하에, 기존 선형 방법(LDA, MFA)과 그래프 임베딩 이론을 비선형 심층 신경망에 통합한 새로운 방법론인 SENNS(Sparse Extraction Neural Networks)를 제안한다.
1. **배경 및 동기**
- 특징 추출은 원시 데이터에서 분류에 가장 유용한 정보를 추출하는 과정이며, 클래스 내 변동성을 최소화하고 클래스 간 변동성을 최대화하는 것이 핵심 목표다.
- 기존 방법은 주로 선형 변환(또는 커널, 텐서) 기반이며, 희소성 제약을 직접 다루지 못한다.
2. **목표 함수 설계**
- 입력 데이터 집합 X={x
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기