android应用面试宝典（下）；用自定义组件控制循环组件使用bug还添加标志显示答案标志位；通过包名读取配置文件AndroidManifest.xml

浏览数：19 / 时间：2015年06月11日

文章：semi-supervised Boosting using Visual Similarity Learning

作者：Leistner, C. ; Inst. for Comput. Graphics & Vision, Graz Univ. of Technol., Graz ; Grabner, H. ; Bischof, H.


文章的作者就是半监督boosting的作者，这一篇文章详细的说明了之前那一篇文章中提到的相似度的概念。


半监督学习的过程中，找到一个度量带标签样本和无标签样本的相似度的方法是十分重要的。本篇文章提出了一个相似度方程学习的方式和半监督的方式相互结合的方法。


结合前面的文章我们知道boosting的方法是要最小化一个指数形式的损失方程。这个方程是这样的： ，而对于半监督学习来说，这个损失函数就变成：。最小化损失函数的过程变成是找到一个响应最好的弱分类器以及得到相应的权重的过程。具体的推导过程在作者的半监督boosting的文章中已经说明了。这里重点是说明了相似度度量的定义和求解的方式。


    相似度度量S（xi，xj）是这样定义的：，其中方差表示的是一个比例参数。d（xi，xj）xi样本和xj样本的距离。这个距离由：


决定，其中Hd是一个训练过的、归一化的分类器。取值为[-1,1]。于是，我们知道得到这个分类器便可以求得损失函数取得最小值时的那个弱分类器和它的权重了。而在训练的过程中，假设现在已经有一个先验的分类器了。对于两个样本，显然，他们通过这个分类器得到的结果越是相同表明他们越是相似。于是通过这种想法得到距离新的计算方法：于是，接下来的步骤和半监督boosting的方法相似。相关参见：http://blog.csdn.net/ikerpeng/article/details/18985735

   



android应用面试宝典（下）；用自定义组件控制循环组件使用bug还添加标志显示答案标志位；通过包名读取配置文件AndroidManifest.xml,,5-wow.com

郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。

标签： Android iOS 移动互联 终端开发

相关文章

随机文章

您可能还喜欢

您可能还喜欢