在线字典训练及加权差异性稀疏表示的研究

在线字典训练及加权差异性稀疏表示的研究

论文摘要

图像处理,作为计算机视觉的主要挑战之一,其最终目标是更好的理解自然图像。理解自然图像的研究极大的促进了稀疏编码理论的发展,在引入了字典训练和稀疏表示后,图像处理取得了巨大的成功。在字典训练角度,利用过完备字典的每个基线性表示表示一幅图像,稀疏表示就是寻找最紧凑的基的系数向量的一个过程。过完备字典的生成有两种方式:一种是随机抽取训练样本作为字典的基;一种是通过稀疏学习模型获得过完备字典。前者通常应用于人脸识别,后者更广泛的应用在自然图像分类。离线字典学习必须限制训练样本个数,否则会造成计算机内存溢出,间接影响分类性能。本文提出了一种在线字典训练算法,利用重构误差更新当前字典,大大提高了学习效率并实现了样本的实时处理。在线学习是把双刃剑,在提高效率的同时降低了测试样本的分类正确率,为此,本文提出了一种新的区域小波幅度相位加权描述子(Local Gabor Magnitude Weighted Phase, LGMWP)并结合SIFT描述子训练基于两种特征的双字典,实验显示经过双字典编码的稀疏表示能获得优于离线学习的分类性能。在稀疏表示的角度,随着稀疏字典学习算法的成熟,学者们将注意力转向了对类间差异性的研究以及字典和分类器相结合的模型学习,基于对最新算法的分析,发现现有算法没有充分利用每类的重构误差,它携带了大量差异性和标签信息,对分类性能有举足轻重的作用。因此本文又提出了两种加权差异性稀疏表示,充分利用了类间差异性和类间结构对图像表示的影响,实验证明,加权差异性稀疏表示的分类正确率高于现有算法。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 研究的背景和意义
  • 1.2 稀疏表示的研究历史
  • 1.3 稀疏编码的研究现状
  • 1.4 典型图像分类数据库简介
  • 1.5 本文的研究内容及创新点
  • 1.6 本文的章节安排
  • 2 稀疏编码的神经生物学和数学理论基础
  • 2.1 稀疏编码的神经生物学基础
  • 2.1.1 视觉通路和神经元
  • 2.1.2 感受野
  • 2.1.3 简单细胞表示的稀疏性和超完备性
  • 2.2 稀疏编码的数学理论基础
  • 2.2.1 生成模型
  • 2.2.2 目标函数
  • 2.2.3 学习规则
  • 2.2.4 学习结果
  • 2.2.5 自然图像编码与视觉感知的关系
  • 2.3 稀疏编码的演化
  • 2.3.1 矢量量化
  • 2.3.2 稀疏编码
  • 2.4 本章小结
  • 3 多特征结合的在线字典训练
  • 3.1 引言
  • 3.2 局部特征提取方法
  • 3.2.1 SIFT特征提取方法
  • 3.2.2 LGMWP特征提取方法
  • 3.3 离线字典训练
  • 3.4 在线字典训练
  • 3.5 空间金字塔匹配
  • 3.6 线性SVM
  • 3.8 本章小结
  • 4 加权差异性稀疏表示
  • 4.1 引言
  • 4.2 最小二乘法
  • 4.3 字典和分类器联合学习模型
  • 4.4 加权差异性稀疏表示
  • 4.4.1 初始化
  • 4.4.2 字典学习
  • 4.4.3 加权差异性稀疏表示
  • 4.5 本章小结
  • 5 实验结果和分析
  • 5.1 多特征结合的在线字典训练的实验结果和分析
  • 5.1.1 在线字典训练和离线字典训练的比较
  • 5.1.2 参数估计
  • 5.2 加权差异性稀疏编码的实验结果和分析
  • 5.2.1 参数设置
  • 5.2.2 数据库Caltech-101的实验分析
  • 5.2.3 数据库Scene-15的实验分析
  • 5.2.4 数据库UIUC-Sport的实验分析
  • 5.3 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表学术论文情况
  • 致谢
  • 相关论文文献

    • [1].基于稀疏表示的拉普拉斯稀疏字典图像分类(英文)[J]. Frontiers of Information Technology & Electronic Engineering 2017(11)
    • [2].改进稀疏表示的人脸识别在高校管理中的应用[J]. 计算机与数字工程 2018(11)
    • [3].基于稀疏表示的联合多通道肌电信号手势识别[J]. 微型机与应用 2017(17)
    • [4].基于类内稀疏表示的人脸识别[J]. 科技展望 2015(32)
    • [5].一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J]. 生物医学工程研究 2016(01)
    • [6].基于局部敏感核稀疏表示的视频跟踪[J]. 电子与信息学报 2016(04)
    • [7].稀疏表示下的超声信号处理研究及应用[J]. 新型工业化 2020(06)
    • [8].信号稀疏表示下的空域-极化域参数估计[J]. 吉林大学学报(工学版) 2020(03)
    • [9].基于卷积稀疏表示的图像融合方法[J]. 导航与控制 2020(02)
    • [10].基于对称正定流形潜在稀疏表示分类算法[J]. 软件学报 2020(08)
    • [11].高光谱遥感影像稀疏表示与字典学习分类研究[J]. 地理与地理信息科学 2019(01)
    • [12].基于稀疏表示理论的优化算法综述[J]. 测绘地理信息 2019(04)
    • [13].改进稀疏表示算法在人脸识别中的应用[J]. 计算机工程与应用 2019(14)
    • [14].基于字典学习和局部约束的稀疏表示人脸识别[J]. 电脑知识与技术 2018(05)
    • [15].基于典型相关性分析的稀疏表示目标追踪[J]. 电子与信息学报 2018(07)
    • [16].非负谱稀疏表示的高光谱成像中的异常检测[J]. 红外与激光工程 2016(S2)
    • [17].基于分类冗余字典稀疏表示的图像压缩方法[J]. 计算机工程 2017(09)
    • [18].基于自步学习的加权稀疏表示人脸识别方法[J]. 计算机应用 2017(11)
    • [19].改进的两阶段协作稀疏表示分类器[J]. 南阳理工学院学报 2016(02)
    • [20].基于低秩分解的联合动态稀疏表示多观测样本分类算法[J]. 电子学报 2015(03)
    • [21].复杂场景下声频传感器网络核稀疏表示车辆识别[J]. 西安电子科技大学学报 2015(04)
    • [22].基于非负稀疏表示的遮挡人耳识别[J]. 计算机辅助设计与图形学学报 2014(08)
    • [23].一种局部敏感的核稀疏表示分类算法[J]. 光电子.激光 2014(09)
    • [24].基于多重核的稀疏表示分类[J]. 电子学报 2014(09)
    • [25].基于信号稀疏表示的形态成分分析:进展和展望[J]. 电子学报 2009(01)
    • [26].卷积稀疏表示图像融合与超分辨率联合实现[J]. 光学技术 2020(02)
    • [27].高光谱图像分类的融合分层深度网络联合稀疏表示算法[J]. 模式识别与人工智能 2020(04)
    • [28].基于稀疏表示的球面梯度下降算法[J]. 浙江理工大学学报(自然科学版) 2020(05)
    • [29].基于核稀疏表示的多模身份识别算法[J]. 电子设计工程 2019(01)
    • [30].基于混合基的稀疏表示响应面构建方法[J]. 电脑知识与技术 2019(15)

    标签:;  ;  ;  ;  

    在线字典训练及加权差异性稀疏表示的研究
    下载Doc文档

    猜你喜欢