$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

새로운 커널 기반 정상 상태 복구 기법과 응용

New Kernel-Based Normality Recovery Method and Applications

초록

SVDD(support vector data description)는 가장 주요한 one-class 서포트 벡터 학습 방법론 중 하나로 비정상 물체에서 정상 데이터를 구분하기 위해서 특정 공간에서 정의된 구를 이용하는 전략을 쓰는 방법론이다. 본 논문에서는 SVDD를 이용해서 노이즈가 섞인 비정상 데이터를 노이즈가 제거된 정상 데이터로 복원하는 방법에 대해서 논한다. 그리고 고해상 도의 학습 데이터를 이용하여 저해상도로 주어진 시험 데이터 이미지를 고해상도의 이미지로 복원하는 문제에 적용함으로써 본 논문의 방법론이 어떻게 실용적으로 적용될 수 있는지에 대해서 다룬다.

Abstract

The SVDD(support vector data description) is one of the most important one-class support vector learning methods, which depends on the strategy of utilizing the balls defined on the feature space to discriminate the normal data from all other possible abnormal objects. This paper addresses on the extension of the SVDD method toward the problem of recovering the normal contents from the data contaminated with noises. The validity of the proposed de-noising method is shown via application to recovering the high-resolution images from the low-resolution images based on the high-resolution training data.

저자의 다른 논문

참고문헌 (18)

  1. N. Cristianini and J. Shawe-Taylor, 'An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods,' Cambridge, U.K.: Cambridge University Press, 2000 
  2. B. Scholkopf, and A. J. Smola, 'Learning with Kernels,' Cambridge, MA: MIT Press, 2002 
  3. C. Campbell and K. P. Bennett, 'A linear programming approach to novelty detection,' Advances in Neural Information Processing Systems, vol. 13, pp. 395-401, Cambridge, MA: MIT Press, 2001 
  4. K. Crammer and G. Chechik, 'A needle in a haystack: Local one-class optimization,' In Proceedings of the Twentieth-First International Conference on Machine Learning, Banff, Alberta, Canada, 2004 
  5. G. Ratsch, S. Mika, B. Scholkopf, and K. -R.Muller, 'Constructing boosting algorithms from SVMs: An application to one-class classification,' IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, pp. 1-15, 2002 
  6. B. Scholkopf, J. C. Platt, J. Shawe-Taylor, A. J. Smola, and R. C. Williamson, 'Estimating the support of a high-dimensional distribution,' Neural Computation, vol. 13, pp. 1443-1471, 2001 
  7. B. Scholkopf, J. C. Platt, and A. J. Smola, 'Kernel Method for Percentile Feature Extraction,' Technical Report MSR-TR-2000-22, Microsoft Research, 2000 
  8. D. Tax, 'One-Class Classification,' Ph.D. Thesis, Delft University of Technology, 2001 
  9. D. Tax and R. Duin, 'Support Vector Domain Description,' Pattern Recognition Letters, vol. 20, pp. 1191-1199, 1999 
  10. J.T. Kwok and I. W. Tsang, 'The pre-image problem in kernel methods,' IEEE Transactions on Neural Networks, vol. 15, pp. 1517-1525, 2004 
  11. T. F. Cox and M. A. A. Cox, 'Multidimensional Scaling,' Monographs on Statistics and Applied Probability, vol. 88, 2nd Ed., London, U.K.: Chapman and Hall, 2001 
  12. C. K. I. Williams, 'On a connection between kernel PCA and metric multidimensional scaling,' Machine Learning, vol. 46, PP. 11-19, 2002 
  13. T. Vetter and N.E. Troje, 'Separation of texture and shape in images of faces for image coding and synthesis,' Journal of the Optical Society of America A, vol. 14, pp. 2152-2161, 1997 
  14. J. Park, D. Kang, J T. Kwok, S.-W. Lee, B.-W. Hwang, and S.-W. Lee, 'Facial image reconstruction by SVDD-based pattern de-noising,' Lecture Notes in Computer Science, vol. 3832, pp. 129-135, 2005 
  15. A. Ben-Hur, D. Horm, H. T. Siegelmann, and V. Vapnik, 'Support vector clustering,' Journal of Machine Learning Research, vol. 2, pp. 125-137, 2001 
  16. S.-W. Lee, J.-S Park, and S.-W. Hwang, 'How can we reconstruct facial image from partially occluded or low-resolution one?,' Lecture Notes in Computer Science, vol.3338, pp. 386-399, 2004 
  17. S. Mika, B. Scholkopf, A. Smola, K. R. Muller, M. Scholz, and G. Ratsch, 'Kernel PCA and de-noising in feature space,' Advances in Neural Information Processing Systems, vol. 11, pp. 536-542, Cambridge, MA: MIT Press, 1999 
  18. G. R. G. Lanckriet, L. El Ghaoui, and M. I. Jordan, 'Robust novelty detection with single-class MPM,' Advances in Neural Information Processing Systems, vol. 15, pp. 905-912, Cambridge, MA: MIT Press, 2003 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일