面向高相关含噪高光谱图像的迹 Lasso 正则化 L1 范数图割方法
计算机视觉与模式识别
2018-07-30 v1 机器学习
机器学习
摘要
本文提出一种自适应的迹 lasso 正则化 L1 范数图割方法用于高光谱图像的降维，称为“迹 Lasso-L1 图割”(TL-L1GC)。该方法的底层思想是通过同时考虑数据样本的稀疏性及其相关性来生成最优投影矩阵。目标函数中常用的 L2 范数对噪声和离群点敏感。因此，本工作采用 L1 范数作为 L2 范数的鲁棒替代。此外，为进一步改善结果，我们将迹 lasso 的惩罚函数与 L1GC 方法结合使用。它在考虑数据相关性与稀疏性的同时，自适应地平衡 L2 范数与 L1 范数。我们通过以迹 lasso 为惩罚项的 L1 范数最大化类间离散度与类内离散度之比来获得最优投影矩阵。进而，提出该 TL-L1GC 方法的迭代过程以求解优化函数。所提方法的有效性在两个基准 HSI 数据集上进行了评估。
引用
@article{arxiv.1807.10602,
title = {A Trace Lasso Regularized L1-norm Graph Cut for Highly Correlated Noisy Hyperspectral Image},
author = {Ramanarayan Mohanty and S L Happy and Nilesh Suthar and Aurobinda Routray},
journal= {arXiv preprint arXiv:1807.10602},
year = {2018}
}