論文紹介

1. Dimensionality Reduction with Side
Information for Image Classification
の紹介
西村仁志
2013/9/3

2. 論文について
"Dimensionality reduction with side information
for image classification“
Alejandro Marcos Alvarez, Makoto Yamada,
Akisato Kimura
画像の認識・理解シンポジウム (MIRU2013)

3. 1. Introduction
・画像の見え方のみで画像識別するのは難しい
・画像に付与されたタグや，Webのリンク構造を考慮し
た手法が出てきている
問題：画像識別にしか使えない
提案：次元削減を通じて画像の付加情報を利用する，
一般的なアプローチ．
LFDA(Local Fisher Discriminant Analysis)を改良
利点：・次元削減しても精度が落ちない
・画像識別以外でも使える

4. 2. Problem Formulation
次元削減
画像 付加情報 ラベル
従来： と のみを用いる
提案：付加情報 も用いる

5. 3. LFDA with Side Information
従来手法
LFDA(Local Fisher discriminant Analysis)
判別分析：クラス内分散小＋クラス間分散大
相関行列によって，データの局所構造をみる
クラス１ クラス１
距離は同じ？
距離小のはず 距離大のはず

6. 相関行列あり→LFDA
従来手法LFDA
クラス間分散→大
クラス内分散→小
cn
n
：クラスc内のデータ数
：全データ数
いつもの判別分析の式の書き直し
＋
＋
－
クラス１ クラス２
bS
wS

7. 相関行列 jiA,
従来： で決めていた(局所の密度を考慮)
提案：付加情報 で決める
・付加情報は相関行列を通じて次元削減に影響する
・次元削減する際 は不要
にはノイズが多い
)exp( x
x
大→ 大 jiA, 小→ 小jiA,
クラス１ クラス１

8. １，Users information
リピンされたユーザには1を
２，Boards information
リピンされたボードには1を
３，Clusters information
Boardsをクラスタリング．
所属するクラスタには1を
5. Experimental results
・他手法に勝る
・clusters informationを用いたときが最も良い
付加情報(１枚の画像に対して)
4. Pinterest Dataset

9. 参考文献[3]

10. 参考文献[3]