学习结构化双非相干双投影潜在字典对用于分类
计算机视觉与模式识别
2019-08-22 v1 机器学习
摘要
本文将流行的字典对学习（DPL）扩展到结构化双非相干约束下的双投影潜在柔性 DPL 场景。技术上，提出了一种称为双投影潜在柔性 DPL（TP-DPL）的新框架，该框架最小化受双非相干约束的灵活松弛重构误差，以避免可能的过拟合问题并产生精确重构。在此设置下，我们的 TP-DPL 以自适应邻域保持的方式，将基于双非相干的潜在柔性 DPL 与通过双投影实现的编码及显著特征的联合嵌入集成到一个统一模型中。因此，TP-DPL 统一了显著特征提取、表示和分类。对编码和特征的双非相干约束可以明确确保它们具有高的类内紧致性和类间分离性。TP-DPL 还集成了自适应加权，以明确保持每类内系数和显著特征的局部邻域。为了提高效率，TP-DPL 使用 Frobenius 范数，并放弃了用于组稀疏表示的代价高昂的 l0/l1 范数。另一个附带好处是，TP-DPL 可以直接应用特定类别的双投影重构残差来计算数据的标签。在公开数据库上的大量结果表明，TP-DPL 能够提供最先进的性能。
引用
@article{arxiv.1908.07878,
title = {Learning Structured Twin-Incoherent Twin-Projective Latent Dictionary Pairs for Classification},
author = {Zhao Zhang and Yulin Sun and Zheng Zhang and Yang Wang and Guangcan Liu and Meng Wang},
journal= {arXiv preprint arXiv:1908.07878},
year = {2019}
}
备注
Accepted by ICDM 2019 as a regular paper