可扩展的块对角局部约束投影字典学习
计算机视觉与模式识别
2019-05-28 v1
摘要
我们提出了一种新颖的结构化判别块对角字典学习方法，称为可扩展的局部约束投影字典学习（LC-PDL），用于高效的表示与分类。为了在节省训练与测试时间的同时提升可扩展性，我们的 LC-PDL 旨在学习一个结构化的判别字典和一个块对角表示，而不使用代价高昂的 l0/l1 范数。此外，与许多现有模型不同，它避免了对新样本使用训练好的字典进行耗时的稀疏重构过程。更重要的是，LC-PDL 避免了对每一类使用互补数据矩阵来学习子字典。为了提升性能，我们将原子的局部约束引入字典学习（DL）过程，以保留局部信息并分别获得各类别上样本的编码。我们还推导了一个块对角判别逼近项，通过学习一个判别投影，从数据中提取特殊的块对角特征来桥接数据与其编码，从而能够明确地使逼近系数与其标签信息相关联。然后，在提取的块对角编码上训练一个鲁棒的多类分类器以进行准确的标签预测。实验结果验证了我们所提算法的有效性。
引用
@article{arxiv.1905.10568,
title = {Scalable Block-Diagonal Locality-Constrained Projective Dictionary Learning},
author = {Zhao Zhang and Weiming Jiang and Zheng Zhang and Sheng Li and Guangcan Liu and Jie Qin},
journal= {arXiv preprint arXiv:1905.10568},
year = {2019}
}
备注
Accepted at the 28th International Joint Conference on Artificial Intelligence(IJCAI 2019)