×
文佳军;赖志辉;詹银伟;崔金荣

基于L_{2,1}范数的无监督最优特征选择及其在动作识别中的应用。 （英语） 兹伯利1414.68085

模式识别 60, 515-530 (2016)。
摘要：本文提出了一种基于矩阵的特征选择和分类方法，该方法利用了（L_{2,1}）范数正则化的优点。目前的研究表明，特征提取和选择已经成为分类的重要步骤。然而，现有的方法将特征提取和选择视为分离的阶段，这会为识别任务生成次优特征。为了弥补这一不足，我们设计了一种新的分类框架，该框架执行无监督最优特征选择（UOFS），以同时将降维、稀疏表示、联合稀疏特征提取和特征选择以及分类集成到一个统一的优化目标中。具体而言，构造了基于（L_{2,1}）范数的稀疏表示模型作为该方法的初始原型。然后，在模型中引入一个具有L{2,1}范数正则化的投影矩阵，用于子空间学习和联合稀疏特征提取与选择。最后，我们在所提出的模型上施加一个类似散射矩阵的约束，以寻找冗余度较小的特征进行识别。我们还提供了一种具有收敛性分析的替代迭代优化方法来求解UOFS。公共手势和人类动作数据集的实验验证了UOFS相对于其他最先进方法的优越性。

引用于1文件

理学硕士：

68T05年 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别
68T45型 机器视觉和场景理解

关键词：

特征选择;稀疏表示;降维;动作识别
PDF格式BibTeX公司 XML格式引用
\textit{J.Wen}等人，模式识别60，515--530（2016；Zbl 1414.68085）
全文： 内政部

参考文献：

[1] 姚，Y。；Fu，Y.，使用运动传感器的基于轮廓模型的手势识别，IEEE Trans。电路系统。视频技术。，24, 1935-1944 (2014)
[2] 桑托斯，L。；科什哈，K。；Dias，J.，基于轨迹的人体动作分割，模式识别。，48, 568-579 (2015)
[3] 埃弗茨，I。；杰默特，J.C.V。；Gevers，T.，人类行为识别的颜色时空兴趣点评估，IEEE Trans。图像处理。，23, 1569-1580 (2014) ·Zbl 1374.94099号
[4] 张，T。；刘杰。；刘，S。；徐，C。；Lu，H.，动作识别和注释的增强样本学习，IEEE Trans。电路系统。视频技术。，21, 853-866 (2011)
[5] 崔，P。；王，F。；Sun，L.-F.公司。；张建伟。；Yang，S.-Q.，基于矩阵的无监督人类行为分类方法，IEEE Trans。多媒体。，102-110（2012年）
[6] Wang，H。；袁，C。；胡，W。；Ling，H。；杨伟（Yang，W.）。；Sun，C.，使用非负动作分量表示和稀疏基选择的动作识别，IEEE Trans。图像处理。，23, 570-581 (2014) ·Zbl 1374.94390号
[7] 曾，C.-C。；Chen，J.-C。；方·C·H。；Lien，J.-J.J.，基于图形嵌入时空子空间的人类行为识别，模式识别。，45, 3611-3624 (2012)
[8] 马，A.J。；袁，P.C。；邹，W.W.W。；Lai，J.-H.，监督用于动作识别的时空邻域拓扑学习，IEEE Trans。电路系统。视频技术。，23, 1447-1460 (2013)
[9] 卢，Z。；彭毅，基于结构化稀疏表示的人类动作识别潜在语义学习，模式识别。，46, 1799-1809 (2013)
[10] Tran，K.N。；卡卡迪亚里斯，I.A。；Shah，S.K.，用于人类动作识别的基于部分的运动描述符图像，模式识别。，45, 2562-2572 (2012)
[11] 张，X。；Yang，Y。；焦立中。；Dong，F.，人类行为识别的流形约束编码和稀疏表示，模式识别。，46, 1819-1831 (2013)
[12] Cho，J。；李，M。；Chang，H.J。；Oh，S.，使用局部运动和组稀疏性的鲁棒动作识别，模式识别。，47, 1813-1825 (2014)
[13] 特克，M。；Pentland，A.，识别特征脸，J.Cogn。神经科学。，3, 71-86 (1991)
[14] 杨，J。；张，D。；Frangi，A.F。；Yang，J.-Y.，《二维PCA：基于外观的人脸表示和识别的新方法》，IEEE Trans。模式分析。机器。智力。，26131-137（2004年）
[15] Wong，W.K。；Zhao，H.，基于可见信息的热图像的眼镜去除，Inf.Fusion，14，163-176（2013）
[19] Wong，W.K。；赵洪涛，监督最优局部保持投影，模式识别。，45, 186-197 (2012) ·Zbl 1225.68261号
[20] 乔·L。；陈，S。；Tan，X.，稀疏保持投影及其在人脸识别中的应用，模式识别。，43, 331-341 (2010) ·Zbl 1186.68421号
[23] 任，C.-X。；戴德清。；Yan，H.，基于（L_{2,1}）范数回归模型的稳健分类，模式识别。，45, 2708-2718 (2012) ·Zbl 1236.68210号
[25] 赖，Z。；Xu，Y。；Z.Jin。；张，D.，通过稀疏判别投影学习进行人体步态识别，IEEE Trans。电路系统。视频技术。，24, 1651-1662 (2014)
[26] 赖，Z。；Xu，Y。；陈，Q。；杨，J。；Zhang，D.，多线性稀疏主成分分析，IEEE Trans。神经网络。学习。系统。，25, 1942-1950 (2014)
[27] Kong，H。；赖，Z。；王，X。；Liu，F.，通过联合稀疏学习进行乳腺癌鉴别特征分析，神经计算，177198-205（2016）
[28] 赖，Z。；Wong，W。；Xu，Y。；杨，J。；Tang，J。；Zhang，D.，用于降维的近似正交稀疏嵌入，IEEE Trans。神经网络。学习。系统。，27, 723-735 (2016)
[29] 南部维拉。；Rosasco，L。；Mosci，S.，潜在群体套索惩罚的近似方法，计算。最佳方案。申请。，58, 381-407 (2014) ·Zbl 1305.90388号
[31] 莫西，S。；Rosasco，L。；桑托罗，M。；Verri，A。；Villa，S.，用近端方法解决结构化稀疏性正则化，机器学习和数据库中的知识发现，Lect。注释计算。科学。，6322, 418-433 (2010)
[32] 巴索，C。；桑托罗，M。；Verri，A。；Villa，S.，PADDLE：双字典学习的近似算法，人工神经网络和机器学习，Lect。注释计算。科学。，6791, 379-386 (2011)
[33] Wright，J。；Yang，A.Y。；Ganesh，A。；Sastry，S.S。；Ma，Y.，基于稀疏表示的鲁棒人脸识别，IEEE Trans。模式分析。机器。智力。，31, 210-227 (2009)
[34] 郭，G。；赖，A.，基于静止图像的人类行为识别综述，模式识别。，47, 3343-3361 (2014)
[35] 博尔赫斯，P.V.K。；北卡罗来纳州康奇。；Cavallaro，A.，《基于视频的人类行为理解：调查》，IEEE Trans。电路系统。视频技术。，23, 1993-2008 (2013)
[36] 伯曼，S。；Stern，H.，手势识别系统传感器，IEEE Trans。系统。人类网络-C部分：申请。修订版，42，277-290（2012）
[37] 杨，J。；张，L。；Xu，Y。；Yang，J.-Y.，超越稀疏性：（L_1）优化器在模式分类中的作用，模式识别。，45, 1104-1118 (2012) ·Zbl 1227.68102号
[39] 马，Z。；聂，F。；杨，Y。；Uijlings，J.R.R。；Sebe，N.，通过子空间稀疏性协作特征选择进行Web图像注释，IEEE Trans。多媒体。，14, 1021-1030 (2012)
[40] 杨，J。；朱，D。；张，L。；Xu，Y。；杨，J.，稀疏表示分类器在人脸识别中的应用，IEEE Trans。神经网络。学习。系统。，241023-1035（2013）
[41] Wen，J。；Xu，Y。；Tang，J。；詹，Y。；Lai，Z。；Guo，X.，用于背景减法的联合视频帧集分割和低秩分解，IEEE Trans。电路系统。视频技术。，24, 2034-2048 (2014)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。