최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.54 no.3 = no.472, 2017년, pp.55 - 62
진동한 (인천대학교 정보통신공학과) , 강현철 (인천대학교 정보통신공학과)
Non-negative matrix factorization (NMF) is one of the typical parts-based representation in which images are expressed as a linear combination of basis vectors that show the lcoal features or objects in the images. In this paper, we represent face images using various NMF methods and recognize their...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
비음수 행렬 분해의 특징은 무엇인가? | 비음수 행렬 분해(non-negative matrix factori- zation, NMF)[11]는 다변량 분석기법으로 다른 비지도 학습 알고리즘들과 마찬가지로 데이터 행렬에 제약을 가지고 분해하는 알고리즘이며 입력 데이터가 양의 값을 가지고 있는 경우 유용하게 사용될 수 있는 비음수 제약을 가지며, 데이터의 지역적인 특징을 찾아 의미 있는 특징의 학습이 가능하다. NMF는 사람의 두뇌가 입력되 는 영상의 부분적 특징에 근거한 인식을 수행한다는 것에 착안하여 이를 알고리즘으로 구현한 것이다. | |
S-NMF 기법에서 V와 WH 사이의 거리를 근사화하는 방법이 국부 최소점으로의 수렴을 보장하지 못하는 이유는 무엇인가? | S-NMF 기법은 구현 과정이 간단하지만 V와 WH 사이의 거리를 근사화하는 방법은 국부 최소점(local minimum)으로의 수렴을 보장하지 못한다. 이는 학습과정에서 기저의 희소성에 대한 제약 조건의 설정에 따라 달라지는 NMF의 특성에 기인하기 때문이다. 이와 같은 문제점을 보완하기 위하여, Lin은 Projected Gradient NMF를 제안하여 주어진 얼굴 데이터 영상으로부터 W와 H의 값을 학습하였다[17]. | |
기존의 얼굴 인식 기법에서 사용한 고차원 데이터를 저차원으로 줄이는 선형 변환 방식에는 무엇이 있는가? | 기존의 얼굴 인식 기법은 고차원 데이터를 저차원으로 줄이는 선형 변환 방식을 많이 사용하는데, 대표적인 방식으로는 데이터의 상관행렬(covariance matrix)에서 변동이 심한 방향을 찾는 주성분 분석(principal component analysis)[5], 학습 단계에서 클래스의 구분에 중점을 두는 선형 판별식 분석(linear discriminant analysis)[6], 통계적 독립성을 이용하여 독립적인 성분만을 추출하는 독립성분 분석(independent component analysis)[7] 등이 있다. 그러나 이러한 선형 변환 방식들은 영상에서 전역적인 특징(holistic feature)을 추출하기 때문에 표정이나 조명의 변화에 의한 얼굴 영상의 부분적인 변형에 잘 적응하지 못한다. |
A. Samil and P. Iyengar, "Automatic Recognition and Analysis of Human Face and Facial Expression: A Survey," Pattern Recognition, vol. 25, pp. 65-77, 1992.
R. Chellappa, C. Wilson, and S. Sirohey, "Human and Machine Recognition of Face: A Survey," Proc. of IEEE, vol. 83, no. 5, pp. 705-740, 1995.
A. Pentland, "Looking at People : Sensing for Ubiquitous and Wearable Computing," IEEE Trans. PAMI, vol. 22, no. 1, pp. 107-119, Jan. 2000.
M. H. Yang, D. J. Kriegman, and N. Ahuja, "Detecting Faces in Image: A Survey," IEEE Trans. PAMI, vol. 24, no. 1, pp. 34-58, Jan. 2002.
A. Pentland and M. Turk, "Eigenfaces for recognition," Journal of Cognitive Neuroscience, vol. 3, pp. 71-86, 1993.
Mika, S. et al. "Fisher Discriminant Analysis with Kernels", IEEE Conf. on Neural Networks for Signal Processing IX: 41-48, 1999.
P. Comon and C. Jutten, Handbook of Blind Source Separation, Independent Component Analysis and Applications, Academic Press, Oxford UK, 2010.
Y. C. Cho and S. Choi, "Nonnegative features of spectro-temporal sounds for classification," Pattern Recognition Letters, vol. 26, no. 9, pp. 1327-1336, 2005.
Jae Min Ban, Byeong Rae Lee and Hyunchul Kang, "Moving Vehicle Recognition using NMF in Urban Scene," Journal of Korean Institute of Communication and Information Sciences, Vol. 37C, No. 7, pp.554-564, 2012. 7.
Jae Min Ban and Hyunchul Kang, "Vehicle Recognition using Non-negative Tensor Factorization," Journal of the Institute of Electronics Engineers of Korea, Vol. 52, No. 5, pp.136-146, 2015. 5.
S. Z. Li, X. W. Hou, H. J. Zhang and Q. S. Cheng, "Learning spatially localized part-based representation," IEEE Int. Conf. on Computer Vision Pattern Recognition, Kauai, Hawaii, pp. 207-212, 2001.
D. D. Lee, H. S. Seung, "Algorithms for Non-Negative Matrix Factorization," Advances in Neural Information Processing Systems, vol. 13, pp. 556-562. 2001.
Donghan Jin and Hyunchul Kang, "Face Recognition using Non-negative Matrix Factorization," Korean Institute of Information Scientists and Engineers, 2016 Workshop on Image Processing and Image Understanding, Jeju, 2016. 2
D. D. Lee, H. S. Seung, "Learning the Parts of Objects by Non-Negative Matrix Factorization," Nature, vol. 401, no. 6755, pp. 788-791, 1999.
S. Agarwal, A. Awan, Roth, "Learning to detect objects in images via a sparse, part-based representation," IEEE Trans. PAMI, vol. 26, no. 11, pp. 1475-1490, 2004.
P. Hoyer, "Non-negative Matrix Factorization with Sparseness Constraints," Journal of Machine Learning Research, vol. 5, pp. 1457-1469, 2004.
C. Lin, "Projected Gradient Methods for Nonnegative Matrix Factorization," Neural Computation, vol. 19, no. 10, pp. 2756-2779, 2007.
J. H, Yoo and S. J. Choi,, "Orthogonal nonnegative matrix factorization: Multiplicative updates on stiefel manifolds," In Fyfe, C., Kim, D., Lee, S.-Y., Yin, H. (eds.) IDEAL 2008. LNCS, vol. 5326, pp. 140-147. 2008.
C. Ding, T. Li, W. Peng, and H. Park, "Orthogonal nonnegative matrix tri-factorizations for clustering," Proc. of the ACM SIGKDD, Philadelphia, 2006.
A. Edelman, T. Arias, and S. T. Smith, "The geometry of algorithms with orthogonality constraints," SIAM Journal of Matrix Analysis. Application., vol. 20, no. 2, pp. 303-353, 1998.
T. Kohonen, J. Hunninen, J. Kangas, J. Kaaaksonen, and K. Torkkola, "LVQ_Pak : The Learning Vector Quantization Program Package," Technical Report A30, Helsinki Univ. 1996.
D. Donoho and V. Stodden, "When does non-negative matrix factorization give a correct decomposition into parts?," Advances in Neural Information Processing Systems 16, MIT Press, 2003.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.