分类的协作表示:稀疏或非稀疏?
本文讲述基于稀疏表示的分类 (SRC) 和基于合作表示的分类 (CRC) 的原理及其在人脸识别中的应用,并通过各种实例来展示不同范数特征值对于 CRC 的鲁棒性和区分度的影响。
Apr, 2012
本文提出并分析了一种基于核平滑和边缘回归的新型稀疏表示学习框架,该方法提供了一个灵活的框架,通过非参数核平滑技术,将特征相似性或时间信息纳入数据集中,这对于稀疏编码、半监督稀疏编码等任务具有重要作用。我们提出了 Smooth Sparse Coding 的广义界限,揭示了样本复杂度取决于所使用的核函数的 L1 范数。此外,我们提高了获得稀疏码的速度,并允许扩展到大规模字典大小的具体操作,我们在数个真实数据集上进行了大量实验证明了所提出的方法的优点。
Oct, 2012
本文提出一种基于组的稀疏表示方法(GSR),用于图像恢复,该方法使用具有相似结构的非局部图块作为基本单元,能同时在群域内实现本地稀疏性和非局部自相似性,并采用有效的自适应字典学习方法来提高计算效率和鲁棒性。实验表明,所提出的GSR模型比现有的状态-of-the-art方法在图像恢复方面性能更好。
May, 2014
本文介绍了关于稀疏模型及其应用的多学科研究,主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典,提供了一种自包含的稀疏建模方法,已在各种领域中获得成功应用。
Nov, 2014
提出了一种名为JRC的基于联合表示分类的方案,通过将测试输入对齐成一个矩阵,将联合表示编码公式化为一般化的l2,q-l2,p最小化问题,并开发了一个迭代二次法算法,它不仅在计算成本上节省了很多,而且在集体人脸识别方面也比现有技术获得了更好的性能。
May, 2015
本文提出了一种名为S$^3$RC的方法,它能够在面部图像仅有极少标注数据、被噪声数据干扰的情况下进行人脸识别,该方法利用稀疏表示框架来表示面部图像中的两个字典(画廊字典和变化字典),并应用高斯混合模型和半监督学习方法来预测面部图像。实验结果表明,该方法在AR、Multi-PIE、CAS-PEAL和LFW数据库上的表现要显著优于现有方法。
Sep, 2016
本文介绍了基于局部稀疏度量的全局模型,解决了传统基于补丁的稀疏表达的限制,通过操作图像补丁来解决卷积稀疏追踪问题并训练涉及的滤波器,为图像修补和分离问题提供了一种直观的算法。
May, 2017
本文介绍卷积稀疏表示作为一种稀疏表示的形式,其字典结构相当于一组线性滤波器的卷积。虽然最近已经开发出有效的算法来解决卷积稀疏编码问题,但相应的字典学习问题更加具有挑战性。此外,虽然已经提出了许多不同的方法,但缺乏彼此之间的彻底比较,使得很难确定哪个方法代表了当前的技术水平。本文既解决了这个缺陷,同时还提出了一些在某些环境下胜过现有方法的新方法。一组彻底的性能比较表明,现有和提出的方法之间存在着非常大的性能差异,并明确确定了最有效的方法。
Sep, 2017
本论文介绍了一种基于稀疏表示分类器的图像识别算法,该算法基于子空间假设,并通过筛选实现,与原始算法等价且在满足正则性条件时具有分类一致性,经过模拟和实验验证,该算法具有可比较的数值性能,但速度更快。
Jun, 2019