联合学习带判别图约束的非负投影与字典用于分类
计算机视觉与模式识别
2016-08-08 v4
摘要
带有字典学习（DL）的稀疏编码已展现出优异的分类性能。尽管现有工作众多，如何获得能更好地学习字典的特征仍是一个开放且有趣的问题。许多当前流行的DL方法直接采用性能良好的手工特征。虽然这种策略在经验上可能有效，但它忽略了字典与特征之间的某些内在关系。我们提出一个框架，其中特征与字典被联合学习与优化。该框架称为联合非负投影与字典学习（JNPDL），使输入特征与字典之间能够交互。非负投影产生基于判别部件的物体特征，而DL寻求更合适的表示。进一步施加判别图约束以同时最大化类内紧致性和类间可分离性。在图像和图像集分类上的实验表明JNPDL通过超越几种最先进方法而展现出优异性能。
引用
@article{arxiv.1511.04601,
title = {Jointly Learning Non-negative Projection and Dictionary with Discriminative Graph Constraints for Classification},
author = {Weiyang Liu and Zhiding Yu and Yandong Wen and Rongmei Lin and Meng Yang},
journal= {arXiv preprint arXiv:1511.04601},
year = {2016}
}
备注
To appear in BMVC 2016