基于特征再分解的数据稀疏表示
基于特征重构的数据稀疏表示
-
摘要: 信息中心 "局部构成整体" 的认知优势,利用非负矩阵分解对特征突显的信息再次凝练,获取数据潜在本征信息,实现非负数据稀疏表示.算法在合成的 游泳运动员 和人脸图像数据的实验结果表明,与传统非负矩阵分解方法相比,该方法的基特征稀疏性得到增强,且判别能力也获得显著提高. 摘要: 非负矩阵分解(NMF)学习到的基本特征通常是光滑的,因为目标函数对两个非负因子同时是非凸的。 为了增强NMF基本特征的稀疏性,通过研究原始数据和基本特征之间的本质相似性,提出了基于特征再制造的数据稀疏表示。 利用一些先验正则化方法,从部分数据中获得一组粗糙特征,这些特征是一些语义人脸图像。 将NMF应用于这些语义人脸,通过保持显著特征和消除粗糙特征之间的重叠,进一步突出了潜在特征。 合成游泳数据集和人脸数据集的结果表明,最终的潜在特征比NMF更稀疏,对稀疏表示更有效。