دانلود مقاله ISI انگلیسی شماره 53037
عنوان فارسی مقاله

خوشه بندی افزایشی چندکلاسه نیمه تحت نظارت منظم توسط فیلتر کالمن

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
53037 2015 17 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Incremental multi-class semi-supervised clustering regularized by Kalman filtering
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Neural Networks, Volume 71, November 2015, Pages 88–104

کلمات کلیدی
خوشه بندی افزایشی نیمه نظارت ؛ داده های غیر ثابت؛ تقسیم بندی های ویدئویی؛ بعد تعبیه پایین - هسته خوشه بندی طیفی؛ فیلتر کالمن
پیش نمایش مقاله
پیش نمایش مقاله خوشه بندی افزایشی چندکلاسه نیمه تحت نظارت منظم توسط فیلتر کالمن

چکیده انگلیسی

This paper introduces an on-line semi-supervised learning algorithm formulated as a regularized kernel spectral clustering (KSC) approach. We consider the case where new data arrive sequentially but only a small fraction of it is labeled. The available labeled data act as prototypes and help to improve the performance of the algorithm to estimate the labels of the unlabeled data points. We adopt a recently proposed multi-class semi-supervised KSC based algorithm (MSS-KSC) and make it applicable for on-line data clustering. Given a few user-labeled data points the initial model is learned and then the class membership of the remaining data points in the current and subsequent time instants are estimated and propagated in an on-line fashion. The update of the memberships is carried out mainly using the out-of-sample extension property of the model. Initially the algorithm is tested on computer-generated data sets, then we show that video segmentation can be cast as a semi-supervised learning problem. Furthermore we show how the tracking capabilities of the Kalman filter can be used to provide the labels of objects in motion and thus regularizing the solution obtained by the MSS-KSC algorithm. In the experiments, we demonstrate the performance of the proposed method on synthetic data sets and real-life videos where the clusters evolve in a smooth fashion over time.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.