用于图像分类的快速低秩共享字典学习

尽管不同对象拥有独特的类特定特征，但它们通常也共享共同模式。这一观察结果已在最近提出的字典学习框架中通过分离特殊性与共性（COPAR）得到部分利用。受此启发，我们提出了一种新方法，通过更直观的约束，显式且同时学习一组共同模式以及用于分类的类特定特征。因此，我们的字典学习框架以共享字典和特定（类特定）字典为特征。对于共享字典，我们施加低秩约束，即断言其张成子空间应具有低维，且对应于该字典的系数应相似。对于特定字典，我们对它们施加 Fisher 判别字典学习（FDDL）中所述的众所周知的约束。此外，我们开发了新的快速且准确的算法来求解学习步骤中的子问题，从而加速其收敛。所述算法也可应用于 FDDL 及其扩展。通过与其他知名字典学习方法的复杂度和运行时间进行比较，从理论和实验上验证了这些算法的效率。在广泛使用的图像数据集上的实验结果确立了我们的方法相对于最先进字典学习方法的优势。