一种基于判别原子选择的多类结构化字典学习方法

在过去十年中，传统字典学习方法已成功应用于各种模式分类任务。尽管这些方法能产生对失真和缺失数据具有鲁棒性的信号稀疏表示，但如果最终目标是信号分类，此类表示往往并不合适。为克服或至少缓解这一弱点，近年来出现了若干将判别信息引入稀疏诱导模型的新方法。特别是，判别字典学习方法在信号分类方面已被证明比仅专注于最小化总表示误差的传统方法更准确。本文中，我们提出了一种新颖的多类判别度量以及一种创新的字典学习方法。对于给定的字典，这一新度量不仅考虑特定原子何时用于代表来自某类的信号及其对应表示系数的大小，还考虑该原子对总表示误差的影响，从而能够高效量化每个原子的可判别程度。另一方面，新的字典构建方法产生的字典非常适用于多类分类任务。我们的方法在一个广泛使用的手写数字识别数据库上进行了测试，并与三种最先进的分类方法进行比较。结果表明，我们的方法显著优于其他三种方法，取得了良好的识别率，并额外降低了分类器的计算成本。