基于低秩特征的双变换矩阵学习用于图像分类

线性回归是一种已广泛用于分类任务的监督方法。为了将线性回归应用于分类任务，提出了一种松弛回归目标的技术。然而，基于该技术的方法忽视了数据中所含复杂信息对单一变换矩阵造成的压力。此情况下单一变换矩阵过于严格而无法提供灵活投影，因而有必要对变换矩阵进行松弛。本文提出一种基于潜在低秩特征提取的双变换矩阵学习方法。其核心思想是利用双变换矩阵进行松弛，并将从两个方向学习到的主要特征与显著特征联合投影至标签空间，从而分担单一变换矩阵的压力。首先，通过潜在低秩表示（LatLRR）方法从两个方向处理原始数据来学习低秩特征。此过程中也分离了稀疏噪声，在一定程度上减轻了其对投影学习的干扰。然后，引入两个变换矩阵分别处理两种特征，并提取对分类有用的信息。最后，可通过交替优化方法轻松获得两个变换矩阵。经此处理，即使样本中含有大量冗余信息，我们的方法也能获得易于分类的投影结果。在多个数据集上的实验证明了我们的方法对分类的有效性，尤其在复杂场景下。