Modified Large Margin Nearest Neighbor Metric Learning for Regression
dc.contributor.author | Assi, Kondo C. | |
dc.contributor.author | Labelle, Hubert | |
dc.contributor.author | Cheriet, Farida | |
dc.date.accessioned | 2016-02-16T16:22:12Z | |
dc.date.available | NO_RESTRICTION | fr |
dc.date.available | 2016-02-16T16:22:12Z | |
dc.date.issued | 2014-03 | |
dc.identifier.uri | http://hdl.handle.net/1866/13078 | |
dc.description.sponsorship | IRSC / CIHR | fr |
dc.publisher | IEEE | fr |
dc.subject | 3-D shape prediction Mahalanobis distance metric learning nearest neighbor regression semidefinite programming | fr |
dc.title | Modified Large Margin Nearest Neighbor Metric Learning for Regression | fr |
dc.type | Article | fr |
dc.contributor.affiliation | Université de Montréal. Faculté de médecine. Département de chirurgie | fr |
dc.identifier.doi | 10.1109/LSP.2014.2301037 | |
dcterms.abstract | The main objective of this letter is to formulate a new approach of learning a Mahalanobis distance metric for nearest neighbor regression from a training sample set. We propose a modified version of the large margin nearest neighbor metric learning method to deal with regression problems. As an application, the prediction of post-operative trunk 3-D shapes in scoliosis surgery using nearest neighbor regression is described. Accuracy of the proposed method is quantitatively evaluated through experiments on real medical data. | fr |
dcterms.language | eng | fr |
UdeM.VersionRioxx | Version acceptée / Accepted Manuscript | |
oaire.citationTitle | IEEE signal processing letters | |
oaire.citationVolume | 21 | |
oaire.citationIssue | 3 | |
oaire.citationStartPage | 292 | |
oaire.citationEndPage | 296 |
Fichier·s constituant ce document
Ce document figure dans la ou les collections suivantes
Ce document diffusé sur Papyrus est la propriété exclusive des titulaires des droits d'auteur et est protégé par la Loi sur le droit d'auteur (L.R.C. (1985), ch. C-42). Il peut être utilisé dans le cadre d'une utilisation équitable et non commerciale, à des fins d'étude privée ou de recherche, de critique ou de compte-rendu comme le prévoit la Loi. Pour toute autre utilisation, une autorisation écrite des titulaires des droits d'auteur sera nécessaire.