基于低秩分解的联合动态稀疏表示多观测样本分类算法

reasonant-j · 发表于 2020-12-16 10:45

EDA365欢迎您登录！

您需要登录才可以下载或查看，没有帐号？注册

x

摘要：通过互联网易获得同一对象的多个无约束的观测样本，针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题，提出基于低秩分解的联合动态稀疏表示多观测样本分类算法．该算法首先寻找到一组最佳的图像变换域，使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵；然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示，以便充分利用类级的相关性和原子级的差异性，即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型，而在原子级上采用不同的稀疏模型；最后利用总的稀疏重建误差进行类别判决．在ＣＭＵＰＩＥ人脸数据库、ＥＴＨ８０物体识别数据库、ＵＳＰＳ手写体数字数据库和ＵＭＩＳＴ人脸数据库上进行对比实验，实验结果表明本方法的优越性．关键词：模式识别；多观测样本分类；低秩矩阵恢复；联合动态稀疏表示

近年来，随着信息技术的发展，图像和视频分享网站日益普及，从而导致在线可用的视觉数据急剧增加，在视觉领域，这大大激发人们对无约束多观测样本分类的兴趣．在实际分类问题中，存在如光照变化，角度变化，部分遮挡，污损甚至没有校准对齐等问题，这些数据对识别分类具有更高要求．这些要求对现存的视觉分类算法提供机会和挑战，因为域变换难以精确的测量待分类图像的相似度．如何克服这些困难，充分利用无约束多观测样本所提供的大量信息提高实际应用中的辨别精度和鲁棒性，正是国内外学者广泛关注的问题．
附件下载：

游客，如果您要查看本帖隐藏内容请回复

KIObole · 发表于 2020-12-16 11:11

在视觉领域，这大大激发人们对无约束多观测样本分类的兴趣

帐号		自动登录	找回密码
密码			注册

[毕业设计] 基于低秩分解的联合动态稀疏表示多观测样本分类算法

EDA365欢迎您登录！

浏览过的版块

推荐内容 /1

[毕业设计] 基于低秩分解的联合动态稀疏表示 多观测样本分类算法

EDA365欢迎您登录！

浏览过的版块

推荐内容 /1

[毕业设计] 基于低秩分解的联合动态稀疏表示多观测样本分类算法