用于图像分类的快速低秩共享字典学习（LRSDL）——基于FDDL

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。