Key points are not available for this paper at this time.
Muitas aplicações multimídia podem se beneficiar de técnicas para adaptar classificadores existentes a dados com distribuições diferentes. Um exemplo é a detecção de conceito de vídeo entre domínios, que visa adaptar classificadores de conceito em vários domínios de vídeo. Neste artigo, exploramos dois problemas-chave para a adaptação do classificador: (1) como transformar um ou mais classificador(es) existente(s) em um classificador eficaz para um novo conjunto de dados que possui apenas um número limitado de exemplos rotulados, e (2) como selecionar os melhores classificador(es) existente(s) para adaptação. Para o primeiro problema, propomos Máquinas de Vetores de Suporte Adaptativas (A-SVMs) como um método geral para adaptar um ou mais classificadores existentes de qualquer tipo ao novo conjunto de dados. O objetivo é aprender a "função delta" entre o classificador original e o classificador adaptado usando uma função objetiva semelhante às SVMs. Para o segundo problema, estimamos o desempenho de cada classificador existente no novo conjunto de dados escassamente rotulado, analisando sua distribuição de pontuação e outras características meta, e selecionamos os classificadores com a melhor performance estimada. O método proposto supera vários métodos de referência e concorrentes em termos de precisão de classificação e eficiência na detecção de conceito entre domínios no corpus TRECVID.
Yang et al. (Sat,) estudaram esta questão.