稀疏、协作或非负表示:何种有助于模式分类?
计算机视觉与模式识别
2018-12-06 v2
摘要
稀疏表示(SR)与协作表示(CR)在人脸识别与目标分类等任务中的模式分类应用已被广泛研究。尽管基于 SR/CR 的分类器取得了成功,但究竟是 范数稀疏性还是 范数协作特性带来了基于 SR/CR 分类的成功,仍存争议。本文中,我们研究非负表示(NR)在模式分类中的使用,其被先前工作 largely 忽略。我们的分析揭示,NR 能提升同质样本的表达能力同时限制异质样本的表达能力,使表示同时稀疏且具判别性,从而提供比 SR/CR 更有效的基于表示的分类方案。我们的实验表明,所提出的基于 NR 的分类器(NRC)优于先前的基于表示的分类器。以深度特征作为输入时,它还在各类视觉分类任务上取得了最先进的性能。
引用
@article{arxiv.1806.04329,
title = {Sparse, Collaborative, or Nonnegative Representation: Which Helps Pattern Classification?},
author = {Jun Xu and Wangpeng An and Lei Zhang and David Zhang},
journal= {arXiv preprint arXiv:1806.04329},
year = {2018}
}