본문 바로가기
HOME> 논문 > 논문 검색상세

논문 상세정보

새로운 커널 기반 정상 상태 복구 기법과 응용
New Kernel-Based Normality Recovery Method and Applications

강대성   (고려대학교 제어계측공학과UU0000159  ); 박주영   (고려대학교 제어계측공학과UU0000159  );
  • 초록

    SVDD(support vector data description)는 가장 주요한 one-class 서포트 벡터 학습 방법론 중 하나로 비정상 물체에서 정상 데이터를 구분하기 위해서 특정 공간에서 정의된 구를 이용하는 전략을 쓰는 방법론이다. 본 논문에서는 SVDD를 이용해서 노이즈가 섞인 비정상 데이터를 노이즈가 제거된 정상 데이터로 복원하는 방법에 대해서 논한다. 그리고 고해상 도의 학습 데이터를 이용하여 저해상도로 주어진 시험 데이터 이미지를 고해상도의 이미지로 복원하는 문제에 적용함으로써 본 논문의 방법론이 어떻게 실용적으로 적용될 수 있는지에 대해서 다룬다.


    The SVDD(support vector data description) is one of the most important one-class support vector learning methods, which depends on the strategy of utilizing the balls defined on the feature space to discriminate the normal data from all other possible abnormal objects. This paper addresses on the extension of the SVDD method toward the problem of recovering the normal contents from the data contaminated with noises. The validity of the proposed de-noising method is shown via application to recovering the high-resolution images from the low-resolution images based on the high-resolution training data.


  • 주제어

    노이즈 제거 .   서포트 벡터 학습.  

  • 참고문헌 (18)

    1. N. Cristianini and J. Shawe-Taylor, 'An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods,' Cambridge, U.K.: Cambridge University Press, 2000 
    2. B. Scholkopf, and A. J. Smola, 'Learning with Kernels,' Cambridge, MA: MIT Press, 2002 
    3. C. Campbell and K. P. Bennett, 'A linear programming approach to novelty detection,' Advances in Neural Information Processing Systems, vol. 13, pp. 395-401, Cambridge, MA: MIT Press, 2001 
    4. K. Crammer and G. Chechik, 'A needle in a haystack: Local one-class optimization,' In Proceedings of the Twentieth-First International Conference on Machine Learning, Banff, Alberta, Canada, 2004 
    5. G. Ratsch, S. Mika, B. Scholkopf, and K. -R.Muller, 'Constructing boosting algorithms from SVMs: An application to one-class classification,' IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, pp. 1-15, 2002 
    6. B. Scholkopf, J. C. Platt, J. Shawe-Taylor, A. J. Smola, and R. C. Williamson, 'Estimating the support of a high-dimensional distribution,' Neural Computation, vol. 13, pp. 1443-1471, 2001 
    7. B. Scholkopf, J. C. Platt, and A. J. Smola, 'Kernel Method for Percentile Feature Extraction,' Technical Report MSR-TR-2000-22, Microsoft Research, 2000 
    8. D. Tax, 'One-Class Classification,' Ph.D. Thesis, Delft University of Technology, 2001 
    9. D. Tax and R. Duin, 'Support Vector Domain Description,' Pattern Recognition Letters, vol. 20, pp. 1191-1199, 1999 
    10. J.T. Kwok and I. W. Tsang, 'The pre-image problem in kernel methods,' IEEE Transactions on Neural Networks, vol. 15, pp. 1517-1525, 2004 
    11. T. F. Cox and M. A. A. Cox, 'Multidimensional Scaling,' Monographs on Statistics and Applied Probability, vol. 88, 2nd Ed., London, U.K.: Chapman and Hall, 2001 
    12. C. K. I. Williams, 'On a connection between kernel PCA and metric multidimensional scaling,' Machine Learning, vol. 46, PP. 11-19, 2002 
    13. T. Vetter and N.E. Troje, 'Separation of texture and shape in images of faces for image coding and synthesis,' Journal of the Optical Society of America A, vol. 14, pp. 2152-2161, 1997 
    14. J. Park, D. Kang, J T. Kwok, S.-W. Lee, B.-W. Hwang, and S.-W. Lee, 'Facial image reconstruction by SVDD-based pattern de-noising,' Lecture Notes in Computer Science, vol. 3832, pp. 129-135, 2005 
    15. A. Ben-Hur, D. Horm, H. T. Siegelmann, and V. Vapnik, 'Support vector clustering,' Journal of Machine Learning Research, vol. 2, pp. 125-137, 2001 
    16. S.-W. Lee, J.-S Park, and S.-W. Hwang, 'How can we reconstruct facial image from partially occluded or low-resolution one?,' Lecture Notes in Computer Science, vol.3338, pp. 386-399, 2004 
    17. S. Mika, B. Scholkopf, A. Smola, K. R. Muller, M. Scholz, and G. Ratsch, 'Kernel PCA and de-noising in feature space,' Advances in Neural Information Processing Systems, vol. 11, pp. 536-542, Cambridge, MA: MIT Press, 1999 
    18. G. R. G. Lanckriet, L. El Ghaoui, and M. I. Jordan, 'Robust novelty detection with single-class MPM,' Advances in Neural Information Processing Systems, vol. 15, pp. 905-912, Cambridge, MA: MIT Press, 2003 

 저자의 다른 논문

  • 강대성 (3)

    1. 2005 "RPO 기반 강화학습 알고리즘을 이용한 로봇제어" 퍼지 및 지능시스템학회 논문지 = Journal of fuzzy logic and intelligent systems 15 (4): 505~510    
    2. 2005 "RLS 기반 Actor-Critic 학습을 이용한 로봇이동" 퍼지 및 지능시스템학회 논문지 = Journal of fuzzy logic and intelligent systems 15 (7): 893~898    
    3. 2007 "A Modified Approach to Density-Induced Support Vector Data Description" International journal of fuzzy logic and intelligent systems : IJFIS 7 (1): 1~6    
  • 박주영 (29)

 활용도 분석

  • 상세보기

    amChart 영역
  • 원문보기

    amChart 영역

원문보기

무료다운로드
유료다운로드

유료 다운로드의 경우 해당 사이트의 정책에 따라 신규 회원가입, 로그인, 유료 구매 등이 필요할 수 있습니다. 해당 사이트에서 발생하는 귀하의 모든 정보활동은 NDSL의 서비스 정책과 무관합니다.

원문복사신청을 하시면, 일부 해외 인쇄학술지의 경우 외국학술지지원센터(FRIC)에서
무료 원문복사 서비스를 제공합니다.

NDSL에서는 해당 원문을 복사서비스하고 있습니다. 위의 원문복사신청 또는 장바구니 담기를 통하여 원문복사서비스 이용이 가능합니다.

이 논문과 함께 이용한 콘텐츠
이 논문과 함께 출판된 논문 + 더보기