监督字典学习与稀疏表示综述
计算机视觉与模式识别
2015-02-23 v1
摘要
字典学习与稀疏表示（DLSR）是一种近期且成功的数据表示数学模型，在模式识别、机器学习、计算机视觉和医学影像等多个领域取得了最先进的性能。DLSR的原始公式基于最小化原始信号与其在所学字典空间中的稀疏表示之间的重建误差。尽管该公式对于解决去噪、修复和编码等问题是最优的，但在分类任务中可能无法得到最优解，因为分类任务的最终目标是使所学字典及相应的稀疏表示尽可能具有判别性。这催生了一类新技术，恰当地称为监督字典学习与稀疏表示（S-DLSR），从而在分类任务中得到更优的字典和稀疏表示。尽管针对S-DLSR已有大量研究，但文献中缺乏对这些技术、其联系、优点和缺点的全面认识。在本文中，我们弥补这一空白，并对近期提出的S-DLSR算法进行综述。我们首先根据这些算法在字典和/或稀疏表示学习中引入标签信息的方式，将其分为六类。对于每一类，我们绘制该类算法之间的联系并给出统一的框架。然后，我们为应用研究人员提供指导，说明如何根据手头问题来表示和学习S-DLSR解决方案的构建模块。本综述提供了S-DLSR最先进方法的广泛而深入的视角，并有助于这一新兴研究领域的研发进展。
引用
@article{arxiv.1502.05928,
title = {Supervised Dictionary Learning and Sparse Representation-A Review},
author = {Mehrdad J. Gangeh and Ahmed K. Farahat and Ali Ghodsi and Mohamed S. Kamel},
journal= {arXiv preprint arXiv:1502.05928},
year = {2015}
}