判别非线性分析算子学习：当共稀疏模型遇见图像分类
计算机视觉与模式识别
2017-05-05 v1
摘要
基于线性合成模型的字典学习框架在过去十年中在图像分类上取得了卓越性能。然而，作为生成式特征模型，它存在一些固有缺陷。本文中，我们提出一种新颖的参数化非线性分析共稀疏模型(NACM)，借助该模型可以更有效地提取唯一特征向量。此外，我们深入推导表明，NACM 能够同时学习任务自适应的特征变换和正则化，从而将我们的偏好、领域先验知识和面向任务的监督信息编码到特征中。所提出的 NACM 作为判别特征模型致力于分类任务，并产生了一种新颖的判别非线性分析算子学习框架(DNAOL)。理论分析和实验性能清楚地表明，DNAOL 不仅能取得优于或至少可与最先进算法竞争的分类精度，而且能大幅降低训练和测试阶段的时间复杂度。
引用
@article{arxiv.1705.00322,
title = {Discriminative Nonlinear Analysis Operator Learning: When Cosparse Model Meets Image Classification},
author = {Zaidao Wen and Biao Hou and Licheng Jiao},
journal= {arXiv preprint arXiv:1705.00322},
year = {2017}
}
备注
IEEE TIP Accepted