Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Common mode patterns for supervised tensor subspace learning

Makantasis Konstantinos, Doulamis, Anastasios, Doulamis Nikolaos D., Voulodimos, Athanasios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/BFEDEB8E-BD37-4214-B3C4-3F9781138C19-
Αναγνωριστικόhttps://doi.org/10.1109/ICASSP.2019.8682616-
Αναγνωριστικόhttps://ieeexplore.ieee.org/document/8682616-
Γλώσσαen-
Μέγεθος5 pagesen
ΤίτλοςCommon mode patterns for supervised tensor subspace learningen
ΔημιουργόςMakantasis Konstantinosen
ΔημιουργόςΜακαντασης Κωνσταντινοςel
ΔημιουργόςDoulamis, Anastasiosen
ΔημιουργόςDoulamis Nikolaos D.en
ΔημιουργόςVoulodimos, Athanasiosen
ΕκδότηςInstitute of Electrical and Electronics Engineersen
ΠερίληψηIn this work we propose a method for reducing the dimensionality of tensor objects in a binary classification framework. The proposed Common Mode Patterns method takes into consideration the labels' information, and ensures that tensor objects that belong to different classes do not share common features after the reduction of their dimensionality. We experimentally validate the proposed supervised subspace learning technique and compared it against Multilinear Principal Component Analysis using a publicly available hyper-spectral imaging dataset. Experimental results indicate that the proposed CMP method can efficiently reduce the dimensionality of tensor objects, while, at the same time, increasing the inter-class separability.en
ΤύποςΠλήρης Δημοσίευση σε Συνέδριοel
ΤύποςConference Full Paperen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2020-06-15-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαCommon mode patternsen
Θεματική ΚατηγορίαSupervised tensor subspace learningen
Θεματική ΚατηγορίαTensor dimensionality reductionen
Βιβλιογραφική ΑναφοράK. Makantasis, A. Doulamis, N. Doulamis and A. Voulodimos, "Common mode patterns for supervised tensor subspace learning," in 44th IEEE International Conference on Acoustics, Speech, and Signal Processing, 2019, pp. 2927-2931. doi: 10.1109/ICASSP.2019.8682616en

Υπηρεσίες

Στατιστικά