基于低秩正则化与图约束的联合投影与字典学习
计算机视觉与模式识别
2016-12-07 v2
摘要
本文旨在从含噪数据中同时学习一个判别性字典和一个鲁棒投影矩阵。联合学习使得学习到的投影与字典更好地相互适配，从而获得更精确的分类。然而，当前流行的联合降维与字典学习方法在训练样本有噪声或严重损坏时将会失效。为解决此问题，我们提出一种利用低秩正则化与图约束的联合投影与字典学习(JPDL-LR)。具体地，字典的判别性通过对编码系数施加 Fisher 准则来实现。此外，我们的方法通过引入图正则项显式编码数据的局部结构，进一步提升了投影矩阵的判别能力。受近期低秩表示用于去除离群点与噪声的进展启发，我们对所有类别的子字典施加低秩约束，使其更紧凑且对噪声鲁棒。在多个基准数据集上的实验结果验证了我们的方法在降维与图像分类上的有效性与鲁棒性，尤其在数据含有显著噪声或变化时。
引用
@article{arxiv.1603.07697,
title = {Joint Projection and Dictionary Learning using Low-rank Regularization and Graph Constraints},
author = {Homa Foroughi and Nilanjan Ray and Hong Zhang},
journal= {arXiv preprint arXiv:1603.07697},
year = {2016}
}