联合子空间恢复与增强局部性驱动的鲁棒灵活判别字典学习

我们提出了一种联合子空间恢复与基于增强局部性的鲁棒灵活标签一致字典学习方法，称为鲁棒灵活判别字典学习（Robust Flexible Discriminative Dictionary Learning, RFDDL）。RFDDL主要通过增强对稀疏误差的鲁棒性，并更准确地编码局部性、重构误差和标签一致性，来提升数据表示和分类能力。首先，为应对数据和原子中的噪声及稀疏误差，RFDDL旨在联合恢复底层的干净数据和干净原子子空间，然后在恢复的子空间中执行字典学习并编码局部性。其次，为能够处理可能从非线性流形采样的数据，并通过避免过拟合获得准确重构，RFDDL以灵活的方式最小化重构误差。第三，为准确编码标签一致性，RFDDL引入了一个判别性灵活稀疏编码误差，以鼓励系数变得软性。第四，为良好地编码局部性，RFDDL在恢复的原子上定义拉普拉斯矩阵，以类内紧致性和类间分离的形式包含原子的标签信息，并结合组稀疏编码和分类器，以获得准确的判别性局部性约束系数和分类器。在公开数据库上的大量结果展示了我们RFDDL的有效性。