基于块坐标下降法的在线判别字典学习用于图像分类

先前的研究表明，基于稀疏编码的字典学习框架（其中信号被分解为学习字典中少数原子的线性组合）非常适用于重建问题。该框架也被用于图像分类等判别任务。为了获得更好的分类性能，专家们开发了几种以监督方式学习判别字典的方法。然而，另一个问题是，当数据规模变得极大时，这些方法将不再有效，因为它们都是批处理方法。为此，我们提出了一种新颖的在线判别字典学习算法，本文中称之为 \textbf{ODDL}。首先，我们将线性分类器引入传统的字典学习公式，推导出一个判别字典学习问题。然后，我们利用一种在线算法来求解该问题。与大多数现有方法通过迭代求解子问题来交替更新字典和分类器不同，我们的方法直接联合探索它们。同时，它可以大大缩短训练时间，并且特别适用于大规模分类问题。为了评估所提出的 ODDL 方法在图像识别中的性能，我们在三个著名的基准数据集上进行了实验，实验结果表明 ODDL 在图像分类任务中相当有前景。