基于分类的M近邻判别性低秩字典学习算法 |
| |
作者姓名: | 陈宇 李富生 李霞 |
| |
作者单位: | 深圳大学 信息工程学院,广东 深圳,518052 |
| |
基金项目: | 广东省科技计划项目,深圳市重点实验室提升项目(CXB201105060068A)。 |
| |
摘 要: | 针对稀疏编码学习的字典过大而导致字典冗余和计算复杂的问题,提出了一种M近邻判别性低秩字典学习( MLR)算法。该算法首先引入低秩表示,去除字典的噪声,使同类字典原子之间具有更强的线性相关性,可增强字典的紧凑性和纯粹性,提高字典的质量。然后用K-奇异值分解( KSVD)算法更新字典,保持字典的表示性能,获取最优的稀疏解。在分类中,结合M近邻思想,可得到与测试样本能量相近的字典原子,增强其聚类能力,并能提高分类的精确度。基于扩展的YaleB和AR人脸数据库上的实验结果表明,该方法用较小的字典得到更好的分类性能,并优于对比的算法。
|
关 键 词: | 稀疏编码 判别性低秩字典学习 低秩表示 M近邻 字典质量 |
|
|