view in publisher's site

Learning Discriminative Reconstructions for Unsupervised Outlier Removal

We study the problem of automatically removing outliers from noisy data, with application for removing outlier images from an image collection. We address this problem by utilizing the reconstruction errors of an autoencoder. We observe that when data are reconstructed from low-dimensional representations, the inliers and the outliers can be well separated according to their reconstruction errors. Based on this basic observation, we gradually inject discriminative information in the learning process of an autoencoder to make the inliers and the outliers more separable. Experiments on a variety of image datasets validate our approach.

یادگیری discriminative برای حذف unsupervised Outlier

ما به بررسی مشکل حذف خودکار داده‌های پرت از داده‌های نویزی با کاربرد برای حذف تصاویر برون هشته از مجموعه تصویر می‌پردازیم. ما با استفاده از خطاهای بازسازی یک autoencoder به این مشکل می‌پردازیم. ما مشاهده کردیم که وقتی داده‌ها از نمایش‌های با ابعاد پایین بازسازی می‌شوند، inliers و the می‌توانند به خوبی با توجه به خطاهای reconstruction جدا شوند. براساس این مشاهدات اولیه، ما به تدریج اطلاعات تشخیصی را در فرآیند یادگیری of تزریق می‌کنیم تا the و the را قابل‌تفکیک کنیم. آزمایش‌ها بر روی انواع داده‌های تصویری رویکرد ما را تایید می‌کند.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.