Sparse Representation Classification速度记录

最新推荐文章于 2023-04-24 23:07:57 发布
最新推荐文章于 2023-04-24 23:07:57 发布
阅读量1k 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jianjian1992/article/details/46475737
版权
博客研究了在SRC中，λ参数和特征维度如何影响分类速度。当λ=0.1时速度较慢，随着λ增大速度先增后减，λ=0.7~0.9时速度较快。样本数对速度的影响呈线性关系。然而，特征维度为100时速度并不最快，可能因为过小的特征维度使寻找最优解变得更复杂。C++实现中，尽管找x过程仅需0.002s，但调用MATLAB函数耗时约6s，限制了实用性。
摘要由CSDN通过智能技术生成

lambda对速度的影响

SRC找稀疏系数x是按照最小化||A*x-y||^2 + lambda*sum|x_i|来找的，

维度数f=100，样本数为100

测试维度数f=100，样本数为100，lambda取值为x时一次SRC过程的速度

图1. 维度数f=100，样本数为100，lambda取值为x时一次SRC过程的速度

维度数f

最低0.47元/天 解锁文章
jianjian1992
关注
Group sparse representation based classification
10-12
论文 Group sparse representation based classification for multi-feature multimodal biometrics
基于稀疏表示的分类方法 Sparse Representation based Classification Method
Jingyang.Zhang的博客
09-02 1万+
文章来源 Jia K, Chan T H, Ma Y. Robust and practical face recognition via structured sparsity[J]. Computer Vision–ECCV 2012, 2012: 331-344.Highlight 作为一种 sparse representation based classification method（S
基于稀疏表示人脸识别算法：SRC sparse representation-based classification
z2876563的博客
03-27 2224
假设: 所有人的脸部图像都有某些共性 优点: 训练简单 可以识别有遮挡的人脸 算法: 主要思路: 公司一共有3个人 数据库中有大东，大西，大北三个人的图像各一张(长w,宽h) 将三张图片排成三列 今天大东来上班了，他来到门口我们用立刻摄像头拍摄他的一张照片Y 因为所有人的照片都有共性，我们希望用数据库中的人脸来表示Y Ax=Y，高斯消...
Sparse representation for tumor classification based on feature extraction using latent low-rank representation.
02-21
Sparse representation for tumor classification based on feature extraction using latent low-rank representation.
cv论文（SPARSE REPRESENTATION相关）
weixin_30820151的博客
11-06 337
上个博文我讲了一些CNN相关的论文，比较浅显都是入门知识，这节课来总结一些稀疏表示方面的文章。至于上个博文说到的要讲的sparse coding的知识，我将会放在Deep Learning的专题里面讲解。好了，闲话不多说，下面还是列出几篇我看过的sparse representation方面的论文。 第一篇：Robust Face Recognition via Sparse R...
稀疏表示（Sparse Representations）
weixin_48383130的博客
04-24 142
参考博主。
Robust Face Recognition via Sparse Representation
weixin_NineDays66
06-15 2395
SRC(Sparse Representation for classification)论文介绍了一种分类方法，利用该分类方法得到一系列的稀疏系数，根据该系数得到test数据的所属类别。稀疏系数描述：即一张人脸图像，可以用数据库中同一个人所有的人脸图像的线性组合表示。而对于数据库中其它人的脸，其线性组合的系数理论上为零。上图最左边是一张test image (有遮挡，有噪点)等号右边第一列就是稀...
稀疏表示（sparse representation）和字典学习（一）
zhubo22的专栏
11-17 4828
近十几年来，稀疏（sparsity）已经成为信号处理及其应用领域中处于第一位的概念之一。近来，研究人员又致力于过完备（overcomplete）信号表示的研究。这种表示不同于许多传统的表示。因为它能提供一个广阔范围的生成元素（atoms）。而冗余（redundant）信号表示的魅力正在于其能经济地（紧致）的表示一大类信号。对稀疏性的兴趣源自于新的抽样理论-压缩传感（compressed sensi
稀疏表示（Sparse representation）原理理解
热门推荐
Forever_pupils的博客
03-21 5万+
谨以此文献给我最好的朋友 我有一个十分好学的朋友，一起度过了三年的大学时光（大二认识的），最终他选择了工作，我继续读书。最近他很想了解我最近在搞的东西，在此，就发一片博客来简单说明一下自己最近研究的稀疏表示算法。因为本人能力有限，我会尽自己最大的努力将稀疏表示算法讲的清楚简单。此外，博客中避免不了会有一些差错，希望各位大佬理解。 正文 稀疏表示（Sparse Representation）也...
稀疏表示分类器
dayandongfei的博客
10-28 8379
稀疏表示可作为基础理论用于构建稀疏表示分类器[14](Sparse Representation Classifier, SRC)。SRC 假定当测试样本所在类的训练样本数足够多时，测试样本可由这些训练样本进行线性表示，而其它类的样本对重构该测试样本的贡献为 0，从而将一般信号的分类问题转化为了一种稀疏表示问题。大量实验证明，这类分类器能够较好地应用于图像分类和目标跟踪问题。Wright 指出 S
稀疏表示字典的显示（MATLAB实现代码）
huangshanxiaoshitou的博客
12-15 4854
声明：本人属于绝对的新手，刚刚接触“稀疏表示”这个领域。之所以写下以下的若干个连载，是鼓励自己不要急功近利，而要步步为赢！所以下文肯定有所纰漏，敬请指出，我们共同进步！ 踏入“稀疏表达”（Sparse Representation）这个领域，纯属偶然中的必然。之前一直在研究压缩感知（Compressed Sensing）中的重构问题。照常理来讲，首先会找一维的稀疏信号（如下图）来
稀疏表达（Sparse Representation）
weixin_38807477的博客
05-30 3344
稀疏表达（Sparse Representation）动机什么是稀疏表达信号稀疏表示的两大任务字典的生成：信号的稀疏分解信号稀疏表示的应用基于重构的应用基于分类的应用稀疏表达用于视觉任务的几点不同基于稀疏表达的人脸识别结论实验结果参考文献 动机 最近研究了一下稀疏表达在视觉应用的相关理论，第一次接触一个理论自然不想上来就直接看英文论文，于是在CSDN上尝试查了一下相关资料，看了不少博客之后发现大都基于B站上搬运的一个稀疏表达的视频课程，课程讲得应该很好，但是中文字幕的翻译质量实在是看不下去。相关的博客也讲得
稀疏表示分类（SRC）
yyyljw的博客
11-07 1万+
目前已有很多方法和技术用于构造分类模型，如决策树、神经网络、贝叶斯方法、Fisher线性分析(Fld)以及支持向量机(Support Vector Machine, SVM)。 基于超完备字典的信号稀疏分解是一种新的信号表示理论，其采用超完备的冗余函数系统代替传统的正交基函数，为信号自适应的稀疏扩展提供了极大的灵活性。稀疏分解可以实现数据压缩的高效性，更重要的是可以利用字典的冗余特性捕捉信号
对Semi-supervised classification for hyperspectral imagery based on *** 的理解
qq_33856563的博客
09-30 810
选出标记样本邻域中的点，然后进行类别转移，1：减少计算量（构造L的大小），2：利用HSI均质性选取最可能正确的邻域作为类别转移的对象。
sklearn学习 数据预处理-数据集的转换
chengyu_whu的博客
09-20 3606
数据预处理 sklearn.preprocessing 包提供了一些通用的工具或者transformer类把原始的特征向量转换成更适合于模型进行训练的形式。 通常来说，一些机器学习算法需要对数据进行标准化。如果数据集中出现了一些奇异点，你最好使用更加健壮的scalers或者transformers。这些不同的scalers, transformers, and normalizers在包含奇异点的...
sparse representation classification
最新发布
10-23
稀疏表示分类是一种机器学习方法，用于对数据进行分类。它的核心思想是通过稀疏表示来表示数据，并在稀疏表示的基础上进行分类。 稀疏表示是指将每个输入样本表示为一个稀疏向量，其中只有少数几个元素是非零的。这样的向量表示能够更好地捕捉数据的本质特征，同时减少了数据的冗余。例如，对于一张图像，可以将其表示为一个由像素强度组成的稀疏向量，其中只有少数几个像素具有非零值。 在稀疏表示分类中，首先需要通过训练集学习一个稀疏表示模型。这可以通过使用稀疏表示算法（如LASSO、稀疏自编码器等）来实现。学习得到的模型将能够将输入样本表示为稀疏向量。 接下来，在分类阶段，将测试样本表示为稀疏向量，并使用训练得到的稀疏表示模型进行分类。具体而言，可以通过计算测试样本的稀疏表示与每个类别的稀疏表示的距离（如余弦距离、欧氏距离等）来确定其所属的类别。距离最近的类别即被认为是该测试样本所属的类别。 稀疏表示分类具有一定的优势。首先，通过使用稀疏表示，可以减少数据的冗余，提取出更重要的特征。其次，稀疏表示模型具有较好的鲁棒性和泛化能力，能够适应不同的数据分布和噪声。此外，稀疏表示分类还可以处理高维数据和样本不平衡的问题。 总之，稀疏表示分类是一种有效的机器学习方法，通过将数据表示为稀疏向量，可以实现对数据的分类，并具有较好的性能和应用潜力。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值