标题:Fast Low-rank Shared Dictionary Learning for Image Classification
年份:2017
摘要:字典学习中,尽管不同的对象拥有不同的特定于类的特性,但它们通常也有共同的模式。通过分离特殊性和共性(COPAR),提出了一种新方法来同时学习一组共性和特定类的特征,以便能在更直观的约束下进行分类。
该方法的特点是共享字典和特定(特定类别)字典。对于共享字典,我们实施低秩约束,即要求其生成子空间具有低维数,并且对应于该字典的系数应该相似。对于特定的字典,我们在费希尔歧判别性字典学习(FDDL)中对它们施加了众所周知的约束(discriminative)。
正文:LRSDL学习一个共享字典和一个特定类字典
共享字典:有两个约束,必须有低秩结构,否则,共享字典也可能扩展到包含判别特征。共享字典的稀疏系数应该几乎相似,也就是共享字典对重建每个信号得贡献应该非常接近。
用于图像分类的快速低秩共享字典学习(LRSDL)——基于FDDL
最新推荐文章于 2024-06-02 09:46:13 发布