基于Log-det正則化的半徑-間隔學習方法及其應用.pdf

1、半徑-間隔學習方法作為機器學習領域較為熱門的研究方向之一，在分類和識別等應用中得到了廣泛的關注。半徑信息的變化隱含在特征變換過程中，對于分類器的性能優(yōu)化起著重要的作用?，F有的半徑-間隔學習方法均存在一定的缺陷和不足，限制分類器性能的進一步提升，同時算法的計算效率也有待提高。
　　針對上述問題，本文從模型優(yōu)化的角度出發(fā)，構建了一個高效的基于Log-det正則化的半徑-間隔支持向量機模型（L-SVM）。由于傳統(tǒng)的半徑-間隔SVM屬于有

2、約束的非凸模型，本文首先通過對半徑R進行約束近似，將原始問題轉化為無約束的凸優(yōu)化模型，并采用Log-det正則化項進一步降低模型過擬合的可能性，同時給出了高效的算法求解策略。后續(xù)在多個UCI數據集上的線性和非線性分類結果驗證了模型的有效性。其次，為了驗證模型的泛化能力，我們將提出的模型應用于動作識別任務中，通過對視頻提取多種局部特征，并采用Fisher Vector進行編碼，最終用L-SVM分類器進行分類。實驗結果表明本文提出的模型具備

3、良好的泛化能力，能夠適用于各項不同的分類識別任務。
　　通過將逐層次的特征提取和分類器學習相結合，卷積神經網絡（CNN）在計算機視覺的多項任務中都取得了優(yōu)異的性能。受此啟發(fā)，本文將L-SVM模型嵌入到CNN框架中，通過交替迭代優(yōu)化的方法提升動作識別的性能。為了提升CNN特征的區(qū)分能力，本文還將center正則化項加入到目標函數當中，保證在最大化類間間隔的同時最小化類內間隔。此外，本文也嘗試在CNN網絡中間層加入監(jiān)督信息，以進一步提