论文部分内容阅读
利用数据空间中的奇异点可有效提升判别的准确性,关注于如何有效检测并选择奇异点,在独立子空间分析(ISA)中进行近邻传播(AP)聚类分析,形成一种无参密度估计下的新的奇异点检测方法,与支持向量机(SVM)的支持向量类似,得到新的核分类器用于分类任务。该方法可有效检测原始数据空间分布下的奇异点,实现样本选择,并可用于图像分类,图像检索等具体视觉任务。实验表明,图像奇异性检测的核方法,优于当前主流特征表示与学习方法,同时,也验证了奇异性图像检测过程可有效提升分类准确率的结论。