一种用于多模态信息计算中特征表示学习的区分性关联平台

《ACM Transactions on Multimedia Computing, Communications, and Applications》：A Discriminative Correlation Platform for Feature Representation Learning in Multimodal Information Computing

智能多媒体计算中基于深度神经网络的可持续发展与可解释性学习模型研究。通过融合统计机器学习原理与感知机式神经网络级联架构，提出DC-PNN模型实现多模态特征高效表征，在六类基准数据集和青光眼图像分类实际应用中验证其优越性及资源效率优势。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

智能多媒体计算的进步，特别是通过深度神经网络（DNNs）的实现，在广泛的研究领域和实际应用中引起了广泛关注，例如音视频联合处理、图像分类、视频计算、计算机视觉等。然而，DNNs的可持续性和固有的黑盒特性已成为重大挑战，尤其是在处理多个数据源时。为应对这些挑战，近年来人们积极探索了替代学习模型，其中绿色学习和可解释学习成为两个关键方向。在本文中，提出了一种基于判别相关感知器风格的神经网络（DC-PNN），用于特征表示学习，并将其应用于多模态信息计算。通过结合统计机器学习（SML）原理和感知器风格神经网络（PNN）的级联架构，DC-PNN模型在本质上具有绿色特性和可解释性。为了评估其有效性和泛化能力，我们在六个不同规模的基准数据库上进行了实验，然后将其应用于一个实际问题——青光眼图像分类。结果表明，DC-PNN模型的性能优于现有的最先进方法（SOTA）。此外，还进行了参数和FLOP分析，验证了该模型在效率和资源需求方面的优势。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。