Recognition of handwritten digits using sparse codes generated by local feature extraction methods

Steinert, RebeccaKTH,Numerisk Analys och Datalogi, NADA,Beräkningsbiologi, CB (författare)

QC 20100916
We investigate when sparse coding of sensory inputs canimprove performance in a classification task. For this purpose, we use astandard data set, the MNIST database of handwritten digits. We systematicallystudy combinations of sparse coding methods and neural classifiersin a two-layer network. We find that processing the image data intoa sparse code can indeed improve the classification performance, comparedto directly classifying the images. Further, increasing the level of sparsenessleads to even better performance, up to a point where the reductionof redundancy in the codes is offset by loss of information.

Rehn, MartinKTH,Numerisk Analys och Datalogi, NADA(Swepub:kth)u1n8grvo (författare)
Lansner, AndersKTH,Numerisk Analys och Datalogi, NADA(Swepub:kth)u12s8cr8 (författare)
KTHNumerisk Analys och Datalogi, NADA (creator_code:org_t)

Av författaren/redakt...: Steinert, Rebecc ...; Rehn, Martin; Lansner, Anders

Om ämnet

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.