×

用于分类的邻域优先约束协作表示。 (英语) Zbl 1493.68336号

摘要:随着机器学习和计算机视觉的发展,分类技术变得越来越重要。基于协作表示的分类器(CRC)由于在效率和有效性方面的优势,已经应用于许多实际的认知领域。本文提出了一种新的邻域先验约束协同表示模式分类模型。与用所有训练数据全局逼近测试样本的朴素CRC模型相比,我们提出的方法强调了邻域先验在编码过程中的指导作用。从样本表示能力和样本之间的关系的角度探讨了两种不同的邻域先验和模型的加权扩展。因此,可以自适应地区分不同样本的贡献,并且获得的表示对于识别来说更具区分性。在几个流行数据库上的实验结果可以验证我们提出的方法与其他最先进的分类器相比的有效性。

MSC公司:

68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Cai,S.,Zhang,L.,Zuo,W.和Feng,X.,基于概率协作表示的模式分类方法,Proc。IEEE Conf.Computer Vision and Pattern Recognition,2016年,第2950-2959页。
[2] Chen,C.L.P.和Feng,S.,文本和图像分类的生成性和区分性模糊限制boltzmann机器学习,IEEE Trans。Cybernet.50(2020)2237-2248。
[3] Chen,C.L.P.和Liu,Z.L.,《Broadlearning system:无需深层架构的高效增量学习系统》,IEEE Trans。神经网络。学习。系统29(1)(2018)10-24。
[4] Cover,T.和Hart,P.,最近邻模式分类,IEEE Trans。《信息提奥》13(1)(1967)21-27·Zbl 0154.44505号
[5] Fan,R.-E.,Chang,K.-W.,Xieh,C.-J.,Wang,X.-R.和Lin,C.-J,Liblinear:大型线性分类库,J.Mach。学习。第9号决议(2008)1871-1874·Zbl 1225.68175号
[6] Feng,Q.,Yuan,C.,Pan,J.-S.,Yang,J.-F.,Chou,Y.-T.,Zhou,Y.和Li,W.,用于人脸识别的叠加稀疏参数分类器,IEEE Trans。Cybernet.47(2)(2016)378-390。
[7] Gao,S.,Tsang,I.W.和Chia,L.,核的稀疏表示,IEEE Trans。图像处理22(2013)423-434·Zbl 1373.94126号
[8] Georghiades,A.S.、Belhumeur,P.N.和Kriegman,D.J.,《从少到多:可变光照和姿势下人脸识别的照明锥模型》,IEEE Trans。模式分析。机器。《情报》23(6)(2001)643-660。
[9] Guariglia,E.,熵与分形天线,熵18(3)(2016)84。
[10] Guariglia,E.,Harmonic sierpinski垫片和应用,Entropy20(9)(2018)714。
[11] Guariglia,E.,《素数、分形与图像分析》,Entropy21(3)(2019)304·Zbl 1459.26011号
[12] 何R.,郑W.S.,胡B.-G.,鲁棒人脸识别的最大相关熵准则,IEEE Trans。模式分析。机器。Intell.33(8)(2011)1561-1576。
[13] He,X.,Yan,S.,Hu,Y.,Niyogi,P.和Zhang,H.-J.,使用拉普拉斯人脸的人脸识别,IEEE Trans。模式分析。机器。《情报》27(3)(2005)328-340。
[14] Hentschel,H.G.E.和Procaccia,I.,《分形和奇异吸引子的广义维数的无穷多》,《物理D非线性现象》8(3)(1983)435-444·Zbl 0538.58026号
[15] Hu,H.,Gu,J.,Zhang,Z.,Dai,J.和Wei,Y.,对象检测的关系网络,Proc。IEEE Conf.计算机视觉和模式识别(美国犹他州盐湖城,2018),第3588-3597页。
[16] Huang,W.,Wang,X.,Jin,Z.和Li,J.,面向人脸识别的基于惩罚的协作表示分类,应用。《情报》43(2015)722-731。
[17] Jin,J.,Li,Y.,Sun,L.,Miao,J.和Chen,C.L.P.,一种新的基于局部知识的图像识别协作表示,IEEE Access8(2020)81069-81079。
[18] Jin,J.W.和Chen,C.L.P.,不确定数据建模的正则化鲁棒广义学习系统,神经计算322(2018)58-69。
[19] Jin,J.W.,Liu,Z.L.和Chen,C.L.P.,判别图正则化图像识别的广义学习系统,科学。中国信息科学61(11)(2018)112209:1-112209:14。
[20] Jin,T.,Liu,Z.,Yu,Z..,Min,X.和Li,L.,人脸识别的位置保持协作表示,神经过程。Lett.45(2017)967-979。
[21] Krizhevsky,A.、Sutskever,I.和Hinton,G.E.,深度卷积神经网络的Imagenet分类,神经信息处理系统进展(NIPS,Curran Associates Inc,2012),第1097-1105页。
[22] Lan,R.,Zhou,Y.,Liu,Z.和Luo,X.,视觉识别的先验知识概率协作表示,IEEE Trans。Cybernet.50(2020)1498-1508。
[23] Lee,K.C.,Ho,J.和Kriegman,D.J.,获取可变光照下人脸识别的线性子空间,IEEE Trans。模式分析。机器。《情报》27(5)(2005)684-698。
[24] Li,Y.和Jin,J.,图像信号的新型二维展开分解,IEEE Access7(2019)168700-168709。
[25] Li,Y.,Zhang,L.和Qian,T.,第二部分展开图像的新型非线性相位分解,IEEE Trans。图像处理。28(10)(2019)4762-4773·兹伯利07123013
[26] Liu,L.,Lan,R.和Wang,Y.,基于位置约束和类别嵌入表示的人脸识别幻觉,IEEE Trans。系统。人类网络。系统。PP(99)(2020)1-12。
[27] Lu,C.-Y.,Min,H.,Gui,J.,Zhu,L.和Lei,Y.-K.,基于加权稀疏表示的人脸识别,J.Vis。Commun公司。图像代表24(2013)111-116。
[28] Mallat,S.,图像和小波模型的多频信道分解,IEEE Trans。阿库斯特。语音信号处理。37(12)(1989)2091-2110。
[29] Mallat,S.,《多分辨率信号分解理论:小波表示》,IEEE Trans。模式分析。机器。《情报》11(7)(1989)674-693·兹比尔0709.94650
[30] Martnez,A.和Benavente,R.,The ar face database,Cvc Tech.Rep.24(1998)。
[31] Mi,J.X.,Fu,Q.和Li,W.,图像分类的自适应类保持表示,2017 IEEE计算机视觉和模式识别会议(美国夏威夷州火奴鲁鲁,2017),第2624-2632页。
[32] Naseem,I.、Togneri,R.和Bennamoun,M.,人脸识别的线性回归,IEEE Trans。模式分析。机器。《情报》32(11)(2010)2106-2112。
[33] Peng,X.,Zhang,L.,Yi,Z.和Tan,K.K.,《学习鲁棒人脸识别中的局部约束协作表示》,《模式识别》47(9)(2014)2794-2806。
[34] Samaria,F.S.和Harter,A.C.,人脸识别随机模型的参数化,Proc。IEEE第二次研讨会申请。计算。Vision,IEEE,1994年,第138-142页。
[35] Shu,T.,Zhang,B.和Tang,Y.Y.,用于非受控和不平衡分类的稀疏监督表示分类器,IEEE Trans。神经网络学习。系统31(8)(2020)2847-2856。
[36] S.Silvestrov和M.Ran,d’(c)上正定分布和小波的分数小波分析,第16章(2016),第337-353页,arXiv:10.1007/978-3319-42105-6·Zbl 1365.65294号
[37] Tang,Y.Y.,Yuan,H.和Li,L.,高光谱图像分类的基于流形的稀疏表示,IEEE Trans。地质科学。Rem.Sens.52(12)(2014)7606-7618。
[38] Wang,J.,Yang,J..,Yu,K.,Lv,F.,Huang,T.和Gong,Y.,用于图像分类的局部约束线性编码,2010年IEEE计算机学会计算机视觉和模式识别会议(美国加利福尼亚州旧金山,2010年6月),第3360-3367页。
[39] Wright,J.,Yang,A.Y.,Ganesh,A.,Sastry,S.S.和Ma,Y.,通过稀疏表示的鲁棒人脸识别,IEEE Trans。模式分析。机器。Intell.31(2)(2009)210-227。
[40] Xu,Y.,Zhang,D.,Yang,J.和Yang,J-Y.,用于人脸识别的两阶段测试样本稀疏表示方法,IEEE Trans。电路。系统。视频技术。21(9)(2011)1255-1262。
[41] Xu,Y.,Zhu,X.,Li,Z.,Liu,G.,Lu,Y.和Liu,H.,使用原始和“对称人脸”训练样本执行基于表征的两步人脸识别,Pattern Recognit.46(2013)1151-1158。
[42] Yang,J.,Zhang,L.,Xu,Y.和yu Yang,J,《超越稀疏性:l1-优化器在模式分类中的作用》,《模式识别》45(3)(2012)1104-1118·Zbl 1227.68102号
[43] Yang,L.,Su,H.,Zhong,C.,Meng,Z.,Luo,H,Li,X.,Tang,Y.Y.和Lu,Y.,《基于小波变换的平滑排序的高光谱图像分类》,《国际小波多分辨率》。Inf.过程17(6)(2019)19500·Zbl 1434.62140号
[44] Yang,T.,Song,J.和Li,L.,一个集成SK-TPCNN和随机森林的深度学习模型,用于MRI中的脑肿瘤分割,生物网络。生物识别。工程39(2019)613-623。
[45] Yuan,H.,Li,X.,Xu,F.,Wang,Y.,Lai,L.和Tang,Y.Y.,基于合作竞争表示的分类器模型,神经计算275(2018)627-635。
[46] Zhang,L.,Yang,M.和Feng,X.,稀疏表征或协作表征:哪种有助于面部识别?,2011年IEEE国际计算机展望会议,IEEE,2011年,第471-478页。
[47] Zhang,S.,Li,X.,Zong,M.,Zhu,X.和Wang,R.,不同近邻数的有效kNN分类,IEEE Trans。神经网络。学习。系统29(2018)1774-1785。
[48] Zou,C.,Kou,K.I.和Wang,Y.,四元数协同稀疏表示及其在彩色人脸识别中的应用,IEEE Trans。图像处理25(2016)3287-3302·Zbl 1408.94854号
[49] Zou,C.,Tang,Y.Y.,Wang,Y.和Luo,Z.,Huber稳健多类分类的协作表示,国际小波杂志。多分辨率。信息处理17(4)(2019)1950020·Zbl 1420.62280号
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。