Estimation of Single-Gaussian and Gaussian Mixture Models for Pattern Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F13%3A43920627" target="_blank" >RIV/49777513:23520/13:43920627 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007%2F978-3-642-41822-8_7" target="_blank" >http://link.springer.com/chapter/10.1007%2F978-3-642-41822-8_7</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-41822-8_7" target="_blank" >10.1007/978-3-642-41822-8_7</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Estimation of Single-Gaussian and Gaussian Mixture Models for Pattern Recognition

Popis výsledku v původním jazyce

Single-Gaussian and Gaussian-Mixture Models are utilized in various pattern recognition tasks. The model parameters are estimated usually via Maximum Likelihood Estimation (MLE) with respect to available training data. However, if only small amount of training data is available, the resulting model will not generalize well. Loosely speaking, classification performance given an unseen test set may be poor. In this paper, we propose a novel estimation technique of the model variances. Once the variances were estimated using MLE, they are multiplied by a scaling factor, which reflects the amount of uncertainty present in the limited sample set. The optimal value of the scaling factor is based on the Kullback-Leibler criterion and on the assumption that the training and test sets are sampled from the same source distribution. In addition, in the case of GMM, the proper number of components can be determined.

Název v anglickém jazyce

Estimation of Single-Gaussian and Gaussian Mixture Models for Pattern Recognition

Popis výsledku anglicky

Single-Gaussian and Gaussian-Mixture Models are utilized in various pattern recognition tasks. The model parameters are estimated usually via Maximum Likelihood Estimation (MLE) with respect to available training data. However, if only small amount of training data is available, the resulting model will not generalize well. Loosely speaking, classification performance given an unseen test set may be poor. In this paper, we propose a novel estimation technique of the model variances. Once the variances were estimated using MLE, they are multiplied by a scaling factor, which reflects the amount of uncertainty present in the limited sample set. The optimal value of the scaling factor is based on the Kullback-Leibler criterion and on the assumption that the training and test sets are sampled from the same source distribution. In addition, in the case of GMM, the proper number of components can be determined.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/TA01011264" target="_blank" >TA01011264: Eliminace jazykových bariér handicapovaných diváků České televize II</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Progress in Pattern Recognition, Image Analysis, ComputerVision, and Applications

ISBN

978-3-642-41821-1

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

8

Strana od-do

49-56

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Havana, Cuba

Datum konání akce

20. 11. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—