طبقه‌بند خودسازمانده هندسي مبتني بر يادگيري فعال براي نهان‌كاوي در محيط ويدئو با صرف حداقل برچسب

طبقه‌بند يكي از سه بلوك تشكيل‌دهنده يك نهان‌كاو ويدئو است كه براي آموزش نيازمند برچسب مي‌باشد. در نهان‌كاوي كور به دليل عدم دسترسي به الگوريتم‌هاي نهان‌نگاري تهيه برچسب مشكل است. در اين مقاله از طبقه‌بند خودسازمانده پوياي شبه‌ناظر براي رسيدن به حداقل برچسب استفاده شده و بدين منظور مفهومي به نام افزونگي هندسي گره‌هاي لايه زيرين شبكه خودسازمانده پوياي شبه‌ناظر به كار گرفته شده است. نشان داده شده كه اين افزونگي منجر به ايجاد الگوهاي تكراري براي شبكه خواهد شد، پس حذف چنين گره‌هايي بلامانع است. اثبات شده به دليل وجود تناظر يك به يك بين گره‌ها و برچسب‌ها كاهش گره‌ها منجر به كاهش تعداد برچسب لازم مي‌شود. نكته اساسي اين كه لازمه وجود افزونگي هندسي در ميان تعدادي گره كه مفهومي انتزاعي است، تشكيل دسته توسط آنهاست و بنابراين مبناي الگوريتم پيشنهادي شناسايي دسته‌ها و ادغام اعضاي آنهاست. طبقه‌بند به دست آمده بر اين مبنا طبقه‌بند خودسازمانده هندسي نام نهاده شده و اثبات مي‌شود كه اين طبقه‌بند مي‌تواند به مقدار بهينه حداقل برچسب دست يابد. نتايج شبيه‌سازي نشان‌دهنده برتري چشم‌گير طبقه‌بند نسبت به الگوريتم‌هاي پيشين است.