基于统计方法的判别字典学习
计算机视觉与模式识别
2026-04-01 v1
摘要
信号或数据的稀疏表示(SR)具有坚实的理论基础，包含严格的数学误差界与证明。信号的SR由称为字典的矩阵的极少数列的叠加给出，隐式地降低了维度。训练字典使其以最小损失表示每类信号称为字典学习(DL)。诸如最优方向法(MOD)和K-SVD等字典学习方法已成功用于图像处理中基于重建的应用，如图像“去噪”、“修复”等。其他字典学习算法如判别K-SVD和标签一致K-SVD是基于K-SVD的监督学习方法。根据我们的经验，当前方法的缺点之一是，在如泰卢固语OCR数据集这类具有大量类别和高维度的数据集上分类性能不佳。此方向尚有改进空间，许多研究者已使用统计方法设计用于分类的字典。本章综述统计技术及其在判别字典学习中的应用。此处所述方法的目标是利用稀疏表示改进分类。本章描述了一种混合方法，其中生成输入数据的稀疏系数。我们使用一个简单的三层多层感知机(MLP)配合反向传播训练作为分类器，以这些稀疏编码作为输入。结果与其他计算密集型方法相当。
引用
@article{arxiv.2111.09027,
title = {Discriminative Dictionary Learning based on Statistical Methods},
author = {G. Madhuri and Atul Negi},
journal= {arXiv preprint arXiv:2111.09027},
year = {2026}
}