基于稀疏图的转导用于图像分类
计算机视觉与模式识别
2014-12-15 v2
摘要
受基于图的转导 (GT) 和稀疏表示 (SR) 显著成功的启发，我们提出了一种名为稀疏图分类器 (SGC) 的新型分类器，用于图像分类。在 SGC 中，利用 SR 来测量每两个样本之间的相关性（相似性），并构建一个图来编码这些相关性。然后采用拉普拉斯特征映射来推导图的图拉普拉斯矩阵。最后，通过将图拉普拉斯矩阵插入传统的 GT 框架即可获得 SGC。在图像分类过程中，SGC 利用编码在学习到的图拉普拉斯矩阵中的相关性来推断未标记图像的标签。SGC 继承了 GT 和 SR 的优点。与 SR 相比，SGC 提高了 GT 的鲁棒性和判别能力。与 GT 相比，SGC 充分利用了整个数据。因此，它缓解了 SR 所面临的字典欠完备问题。我们使用了四个流行的图像数据库进行评估。结果表明，与最先进的分类器相比，SGC 能够取得令人期待的性能，特别是在训练样本量小和样本含噪声的情况下。
引用
@article{arxiv.1408.6257,
title = {Sparse Graph-based Transduction for Image Classification},
author = {Sheng Huang and Dan Yang and Jia Zhou and Luwen Huangfu and Xiaohong Zhang},
journal= {arXiv preprint arXiv:1408.6257},
year = {2014}
}