第23回 名古屋CV/PRML勉強会のツイートまとめ

おさかなさん @sakanazensen

判別基準に全分散，クラス内分散，クラス間分散の何を使うか？ #nagoyacv

ゆるふわUnaさん@A判定 @UnaNancyOwen

判別分析の分散には全分散，クラス内分散，クラス間分散の3つあるがどの判別基準が良いのか？ #nagoyacv

おさかなさん @sakanazensen

Partial Least Squares Regression (PLS 回帰) #nagoyacv

Hironobu Fujiyoshi @hf149

PLS(Partial Least Square Regression)の紹介。入力変数間の相関が高いときに有効。#nagoyacv

ゆるふわUnaさん@A判定 @UnaNancyOwen

PLS回帰(Partial Least Square Regression) #nagoyacv

おさかなさん @sakanazensen

ICCV2009にてPLSで歩行者検出した例． #nagoyacv

おさかなさん @sakanazensen

17万次元の特徴量をPLSで20次元に落としこめてしまう #nagoyacv

おさかなさん @sakanazensen

同条件でPCAでは180次元 #nagoyacv

おさかなさん @sakanazensen

SVMとの比較を見てみたいところ(・ω・) #nagoyacv

Hironobu Fujiyoshi @hf149

PLSの応用例。ICCV2009論文でPedestrian Detection。#nagoyacv

ゆるふわUnaさん@A判定 @UnaNancyOwen

もとが17万次元の特徴量を落としこむのにPCAは180次元だが，PLSは20次元とPLSの方が低次元の特徴量で判別できる．識別に特化している． #nagoyacv

おさかなさん @sakanazensen

SVMとの比較では学習データの分布にも依存しそう．この方法だとクラス間の境界付近以外のデータも影響するわけだし（という理解であってるのかな） #nagoyacv

おさかなさん @sakanazensen

そしてベイズ推定 #nagoyacv

おさかなさん @sakanazensen

ベイズ推定で識別するというのは，事後確率が最大となるクラスへの識別＝各クラスとのマハラノビス距離の和と定数． #nagoyacv

おさかなさん @sakanazensen

特徴空間でそのままユークリッド距離を使って推定するというのは，分布が等方性（超球状）であることを仮定したことに相当する #nagoyacv

おさかなさん @sakanazensen

ナイーブベイズ；各基底が独立であることを仮定（かなり強引な仮定ｗ）して，単純な式の形に落としこむ． #nagoyacv

はる @fararrow9

今日はいつも通り僕が流しています．ネットワークの不調と新ブロードキャスターにやられていて途切れ途切れで申し訳ありません : 名古屋CV・PRML勉強会 http://t.co/IADLWxHS6Q #nagoyacv

おさかなさん @sakanazensen

``Naive-Bayes Nearest Neighbor''；カーネル密度推定でp(x_i | C)を推定． #nagoyacv

おさかなさん @sakanazensen

最近の研究ではそれをカーネル化 #nagoyacv

おさかなさん @sakanazensen

続いて，パーセプトロンのお話． #nagoyacv

おさかなさん @sakanazensen

最近は下火，とか思いきやDeepLearningが出てきて再勉強する人が多い印象 #nagoyacv

おさかなさん @sakanazensen

小脳がパーセプトロン，大脳基底が強化学習，大脳が教師なし学習をしている，という説も #nagoyacv

おさかなさん @sakanazensen

パーセプトロンってそういう雰囲気だったんだ！ #nagoyacv

おさかなさん @sakanazensen

SVMとよく似てるけど，どんな識別(超)平面になるかは初期値依存． #nagoyacv

ゆるふわUnaさん@A判定 @UnaNancyOwen

パーセプトロンの学習では間違えたときは識別面を修正する．線形分離可能な場合は有限回で学習が収束する． #nagoyacv