A linear maximum variance unfolding algorithm and its application in image recognition

2011 ◽  
Author(s):  
Shengli Jiang ◽  
Junying Zhang ◽  
Chunlin Kuang
Keyword(s):  
Image Recognition ◽  
Maximum Variance ◽  
Maximum Variance Unfolding

scholarly journals The Fastest Mixing Markov Process on a Graph and a Connection to a Maximum Variance Unfolding Problem

SIAM Review ◽  
2006 ◽  
Vol 48 (4) ◽  
pp. 681-699 ◽  
Author(s):  
Jun Sun ◽  
Stephen Boyd ◽  
Lin Xiao ◽  
Persi Diaconis
Keyword(s):  
Markov Process ◽  
Maximum Variance ◽  
Maximum Variance Unfolding

scholarly journals Comparación de métodos de reducción de dimensión basados en análisis por localidades

TecnoLógicas ◽  
2010 ◽  
pp. 131
Author(s):  
Juliana Valencia-Aguirre ◽  
Genaro Daza-Santacoloma ◽  
Carlos D. Acosta ◽  
Germán Castellanos-Domínguez
Keyword(s):  
Locally Linear Embedding ◽  
Feature Mapping ◽  
Maximum Variance ◽  
Linear Embedding ◽  
Isometric Feature Mapping ◽  
Maximum Variance Unfolding ◽  
Locally Linear

En este trabajo se realiza una comparación de las principales técnicas de reducción de dimensión no lineal basadas en análisis por localidades, tales como: Locally linear embedding, Isometric feature mapping y Maximum variance unfolding. El estudio pretende determinar, bajo criterios objetivos, cuál de las técnicas consideradas conserva de mejor manera las propiedades locales de la variedad, y la estructura global de los datos de entrada al realizar un mapeo a un espacio de menor dimensión. Los métodos son especialmente analizados en aplicaciones de visualización. Las inmersiones obtenidas son evaluadas por medio de dos criterios: Error de Conservación de Vecindarios y Promedio de Vecinos Conservados. Para la validación experimental se utilizan bases de datos artificiales y reales que permiten confirmar visualmente la calidad de las inmersiones obtenidas. Con base en los resultados se observa que la técnica Maximum variance unfolding presenta inmersiones de mejor calidad, debido a que la técnica de optimización de este algoritmo preserva exactamente las distancias entre puntos cercanos en el espacio de baja dimensión, conservando la estructura global de la variedad analizada.

Sign in / Sign up

Export Citation Format

Share Document