×
王东辉;孔、舒

面向分类的词典学习模型：明确学习跨类别的特殊性和共性。 （英语） Zbl 1326.68235号

模式识别 47，第2期，885-898（2014）.
小结：经验上，我们发现，尽管一个特定的物体类别拥有最具唯一区别性的特征，但不同类别的物体通常具有一些共同的模式，而这些模式并不利于对它们的区分。基于这一观察结果，并受词典学习（DL）框架成功的激励，在本文中，我们建议为每个类别显式地学习一个特定类别的词典（称为特殊性），该词典捕获了该类别最具鉴别性的特征，并同时学习一个公共模式库（称为共性），其原子由所有类别共享，只对数据的表示而非歧视起作用。这样，特殊性区分了类别，而共性为对象提供了本质上的重构。因此，我们可以简单地采用基于重建的方案进行分类。通过回顾现有的基于DL的分类方法，我们可以看到，我们的方法同时学习面向分类的字典，并使稀疏系数尽可能有区别。这样，所提出的方法将获得更好的分类性能。为了评估我们的方法，与现有的基于DL的分类算法相比，我们在合成数据和真实世界的基准上进行了广泛的实验，实验结果证明了我们方法的有效性。

引用于2文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
68T45型 机器视觉和场景理解

关键词：

字典学习;稀疏编码;图像分类;特殊性;公共性

软件：

多-PIE;SIFT公司
PDF格式BibTeX公司 XML格式引用
\textit{D.Wang}和\textit{S.Kong}，模式识别47，第2期，885--898（2014；Zbl 1326.68235）
全文： 内政部

参考文献：

[2] Elad，M。；Figueiredo，M。；Ma，Y.，关于稀疏和冗余表示在图像处理中的作用，IEEE学报，98，6，972-982（2010）
[3] Cheng，B。；杨，J。；Yan，S。；Fu，Y。；Huang，T.S.，《使用（\ell_1-\operatorname{graph}）进行图像分析的学习》，IEEE图像处理汇刊，19，4，858-866（2010）·Zbl 1371.68229号
[4] Wright，J。；马云（Ma，Y.）。；Mairal，J。；萨皮罗，G。；黄，T。；Yan，S.，计算机视觉和模式识别的稀疏表示，IEEE学报，98，6，1031-1044（2010）
[14] Wright，J。；杨，A。；Ganesh，A。；Sastry，S。；Ma，Y.，通过稀疏表示实现鲁棒人脸识别，IEEE模式分析和机器智能汇刊，31，2，210-227（2009）
[18] Wong，W.K.，发现降维的潜在判别信息非负稀疏保持嵌入，模式识别，45，4，1511-1523（2012）·Zbl 1231.68223号
[19] Wu，T.T。；Lange，K.，套索惩罚回归的坐标下降算法，应用统计年鉴，2，1，224-244（2008）·Zbl 1137.62045号
[21] Tropp，J.A。；Gilbert，Anna C.，通过正交匹配追踪从随机测量中恢复信号，IEEE信息理论汇刊，53，12，4655-4666（2007）·Zbl 1288.94022号
[22] 埃夫隆，B。；哈斯蒂，T。；约翰斯通，I。；Tibshirani，R.，最小角回归，《统计年鉴》，32，2，407-499（2004）·Zbl 1091.62054号
[24] 亚哈龙，M。；Elad，M。；Bruckstein，A.M.，用于设计稀疏表示的过完备字典的K-svdan算法，IEEE信号处理学报，54，11，4311-4322（2006）·Zbl 1375.94040号
[26] Lowe，D.G.，《尺度不变关键点的独特图像特征》，《国际计算机视觉杂志》，60，2，91-110（2004）
[27] Lee，K。；Ho，J。；Kriegman，D.，获取可变光照下人脸识别的线性子空间，IEEE模式分析和机器智能汇刊，27，5，684-698（2005）
[28] 乔治亚德斯，A。；Belhumeur，P。；Kriegman，D.，《可变光照和姿势下人脸识别的从少到多发光锥模型》，IEEE模式分析和机器智能汇刊，23，6，643-660（2001）
[29] 毛重，R。；马修斯一世。；科恩，J。；Kanade，T。；Baker，S.，Multi-pie，图像视觉计算，28，5，807-813（2010）
[37] 奥利瓦，A。；Torraba，A.，《模拟场景的形状——空间包络的整体表示》，《国际计算机视觉杂志》，42，3，145-175（2001）·Zbl 0990.68601号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。