English
Reduced analytical dependency modeling for classifier fusion
文件大小：
301k
资源说明：文章标题《Reduced analytical dependency modeling for classifier fusion》和描述均指向了分类器融合过程中的独立性假设问题，并提出了一种新的框架来构建依赖模型。以下是从所提供的文件内容中提取的详细知识点：
1. 分类器融合与依赖模型：分类器融合是一种提升计算机视觉和模式识别应用性能的技术，它通过结合多个分类器的决策来提升对数据集的分类能力。在传统方法中，分类器分数通常被假定为条件独立分布，这可以简化模型，并允许通过边缘概率的乘积来表示所有分数的联合概率。
2. 独立性假设的局限性：文章指出，在过去的十年中，尽管开发了很多依赖性建模技术，但这些技术都是在某些特定的假设下进行的，而这些假设在实际应用中可能并不成立。依赖性假设问题，即分类器分数并非真正条件独立，这限制了现有技术的适用性和性能。
3. 理论基础与分析函数：为了建立一个没有这些假设的依赖模型，作者提出了一种使用分析函数（analytical functions）来建模每个特征的后验概率的新框架。分析函数是数学中定义良好的函数，它们在数学分析和工程领域有广泛的应用。
4. 理论依赖模型（ADM）：通过这种框架，作者提出了一种称为理论依赖模型（Analytical Dependency Model, ADM）的方法。利用后验概率的分析函数，作者给出了一个与独立性假设等效的条件，根据边缘分布的性质，表明提出的ADM可以对依赖性进行建模。
5. 理想分析函数的收敛性质：ADM可能包含无限数量的不确定系数，因此文章进一步提出了ADM的简化形式，基于分析函数的收敛性质。这种方法称为Reduced Analytical Dependency Model（RADM），它基于正则化最小二乘准则，以近似后验概率的方式学习一个最优模型。
6. 实验验证与性能对比：为了验证RADM的有效性，作者在数字、花朵、人脸和人体动作数据库上进行了实验。实验结果表明，RADM在所有训练样本都被正确分类的情况下，其性能优于现有的分类器融合方法。
7. 关键词：文章中涉及的关键技术包括依赖性建模、分析函数、分类器融合、模式分类等，这些都是解决复杂场景下计算机视觉和模式识别问题的重要工具。
文章提出了一种新的依赖模型建模框架，用以解决分类器融合中的独立性假设问题，并通过理论分析和实验验证，展示了该框架在实际应用中的有效性和优越性。这种新颖的方法不仅能够更加准确地模拟分类器之间的依赖关系，而且通过简化模型，使得计算更加高效，并在多种类型的数据库上展现了较高的性能。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
