$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

클래스 정보를 이용한 PCA 기반의 특징 추출
PCA-based Feature Extraction using Class Information 원문보기

퍼지 및 지능시스템학회 논문지 = Journal of fuzzy logic and intelligent systems, v.15 no.4, 2005년, pp.492 - 497  

박명수 (서울대학교 전기컴퓨터 공학부, 자동화시스템 공동연구소(ASRI)) ,  나진희 (서울대학교 전기컴퓨터 공학부, 자동화시스템 공동연구소(ASRI)) ,  최진영 (서울대학교 전기컴퓨터 공학부, 자동화시스템 공동연구소(ASRI))

초록
AI-Helper 아이콘AI-Helper

영상 데이터와 같이 큰 차원을 가지는 입력 자료들을 분류하고자 할 경우, 입력 자료의 차원을 줄일 수 있는 특징을 추출하는 전처리 과정은 매우 중요하다. 특징 추출(feature extraction)을 위해 PCA, ICA, LDA, MLP 등의 다양한 기법들이 개발되었는데 이러한 기법들은 PCA, ICA와 같은 무감독 방식의 기법(unsupervised algorithm)과 LDA, MLP와 같은 감독 방식의 기법(supervised algorithm)으로 구분할 수 있다. 이 중에서, 감독 방식의 경우는 입력 정보와 함께 클래스 정보를 사용하기 때문에 데이터를 분류하기에 더 좋은 특징들을 뽑아낼 수 있다. 본 논문에서는 무감독 방식 기법인 PCA에 기반 하면서도 클래스 정보를 사용하여 자료 분류에 더욱 적합한 특징들을 추출할 수 있는 기법인 PCA-FX를 제안하였다. 제안한 기법에 의해 추출된 특징을 이용할 경우의 인식 성능을, Yale face database를 사용하여 다른 기법들의 성능과 비교하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Feature extraction is important to classify data with large dimension such as image data. The representative feature extraction methods lot feature extraction ate PCA, ICA, LDA and MLP, etc. These algorithms can be classified in two groups: unsupervised algorithms such as PCA, LDA, and supervised al...

주제어

#특징 추출 기법   #입력차원 감소   #감독방식 PCA   #분류 특징  

참고문헌 (11)

  1. K. J. Cios, W. Pedrycz, and R. W. Swiniarski, Data mining methods for knowledge discovery, chapter 9, Kluwer Academic Publishers, 1998 

  2. U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, Advances in Knowledge Discovery and Data Mining, AAAI and the MIT Press, 1996 

  3. I. T. Joliffe, Principal Component Analysis, Springer Verlag, 1986 

  4. A. J. Bell and T. J. Sejnowski, 'An informationmaximization approach to blind separation and blind deconvolution,' Neural Computation, vol. 7, no. 6., June 1995 

    상세보기

  5. K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 2nd edition, 1990 

  6. H. Lu, R. Setiono, and H. Liu, 'Effective data mining using neural networks,' IEEE Transaction on Knowledge and Data Engineering, vol. 8, no. 6, Dec. 1996 

  7. R. Setiono, and H. Liu, 'A connectionist approach to generating oblique decision trees,' IEEE Transaction on Systems, Man, and Cybernetics - Part B: Cybernetics, vol. 29, no. 3, June 1999 

  8. Nojun Kwak and Chong-Ho Choi, ;Feature extraction based on ICA for binary classification problems,' IEEE Transaction on Knowledge and Data Engineering, Vol. 15, No. 6, pp. 1374-1388, Nov. 2003 

    상세보기 crossref

  9. Nojun Kwak, Chong-Ho Choi, and Narendra Ahuja, 'Face recognition using feature extraction based on independent component analysis,' ICIP2002, Rochester, Sep. 2002 

  10. W. Zhao, R. Chellappa and A. Krishnaswamy, 'Discriminant analysis of principal components for face recognition,' Proceedings of 3rd IEEE International Conference on Automatic Face and Gesture Recognition, pp.336-341, April 1998 

  11. P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, 'Eigenfaces vs. fisherfaces: recognition using class specific linear projection,' IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 711-720, July 1997 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로