用于图像识别的判别性块对角表示学习

现有的块对角表示研究主要集中于在训练数据上施加块对角正则化，而同时学习训练和测试数据的块对角表示仅受到很少关注。本文提出一种用于识别的判别性块对角低秩表示(BDLRR)方法。具体地，精心设计的BDLRR被公式化为一个联合优化问题，旨在缩小来自非块对角元素的不利表示，并在低秩表示的半监督框架下加强紧凑的块对角表示。为此，我们首先对负表示施加惩罚约束以消除不同类之间的相关性，从而提升类间表示的不相干准则。此外，构建了一个子空间模型以增强训练样本的自表达能力，并进一步建立训练与测试样本之间的表示桥梁，从而使得学习的类内表示的相干性一致地提高。最后，采用交替优化策略优雅地求解所得的优化问题，并利用学习到的表示上的简单识别算法进行最终预测。大量实验结果表明，所提方法在四个人脸图像数据集、三个字符数据集和十五个场景多类别数据集上取得了极好的识别结果。它不仅在图像识别上展现出优越潜力，而且优于SOTA方法。