A Discriminant Correlation Neural Network for Feature Representation Learning
Notice bibliographique
Résumé
The progress of multimedia computing, particularly through deep neural networks (DNNs), has gained remarkable attention across a wide array of research domains and practical applications, such as image classification, video computing, natural language processing, among others. However, the inherent black-box characteristics and concern for sustainability of DNNs have emerged as significant challenges, especially when dealing with multi-view data. To tackle these challenges, alternative learning models have been actively explored in recent years, with green learning and interpretable learning standing out as two key directions. In this study, we explore one such model aimed at two-view feature representation learning. This proposed model leverages a perceptron-style neural network grounded in discriminant correlation analysis, which is named DC-PNN. The model incorporates statistical machine learning (SML) techniques to optimize network training. To evaluate its effectiveness and generalizability, we conduct experiments on audio emotion recognition and action recognition on two public data sets (i.e., RML emotional database and NTU RGB+D 120 database). Then, move forward to a real application, Glaucoma image classification. Experimental results demonstrate that the DC-PNN model outperforms state-of-the-art (SOTA) methods. In addition, the parameters and FLOPs analysis are implemented, validating the advantage of the model in terms of efficiency and resource requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».