面向模式分类的类别特定残差约束非负表示
计算机视觉与模式识别
2020-05-20 v2
摘要
基于表示的分类方法 (RBCM) 一直是模式识别领域最热门的课题之一，近来提出的基于非负表示的分类 (NRC) 在各种分类任务中取得了令人印象深刻的识别结果。然而，NRC 忽略了编码阶段与分类阶段之间的关系。此外，NRC 的模型中除重构误差项外没有任何正则化项，这可能导致不稳定的解并引起误分类。为克服 NRC 的这些缺陷，本文提出一种面向模式分类的类别特定残差约束非负表示 (CRNR)。CRNR 将类别特定残差约束引入 NRC 的模型，促使来自不同类别的训练样本竞争性地表示测试样本。基于所提 CRNR，我们开发了用于模式分类的 CRNR 分类器 (CRNRC)。在多个基准数据集上的实验结果证明了 CRNRC 相对于传统 RBCM 以及近来提出的 NRC 的优越性。此外，在多种具有挑战性的模式分类任务上，CRNRC 的表现优于或可与一些最先进的深度方法相媲美。我们提出的 CRNRC 源代码可在 https://github.com/yinhefeng/CRNRC 获取。
引用
@article{arxiv.1911.09953,
title = {Class-specific residual constraint non-negative representation for pattern classification},
author = {He-Feng Yin and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:1911.09953},
year = {2020}
}
备注
submitted to Journal of Electronic Imaging