TA的每日心情 | 开心
2020-9-8 15:12 |
|---|
签到天数: 2 天 [LV.1]初来乍到
|
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 ＣＭＵＰＩＥ人脸数据库、ＥＴＨ８０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8 T; A" X( a3 c. u
9 f) W& g1 s" v4 l( S5 p, [. ]# _( u
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．
, Y3 j. L0 I3 W& N7 |3 ^附件下载：, Y- _+ [- R( b3 @
|
|
/1 
发表于 2020-12-16 10:45
收藏
淘帖
支持！
反对！