基于表示模型的特征子空间学习方法研究

发布时间：2023-05-28 08:01

　　二维图像数据是人类获取信息最直观的形式,在医疗、交通、安全、智能设备上都有广泛的应用。因此,随着图像的维度持续增加,数据降维便成为计算机视觉领域的关键技术问题。在众多降维技术中,子空间学习一经提出,便吸引了广泛的关注,并且获得了良好的性能。因此本文围绕特征子空间学习展开,提出了一系列基于表示模型的特征子空间学习方法,其具体的研究内容包括以下几个方面:(1)提出了一种基于子空间结构约束的非负低秩表示特征子空间学习方法。利用低秩表示系数作为相似性权重来衡量样本在投影空间中的距离,进而挖掘出样本的结构信息。同时,引入标签回归约束项来增强模型判别性和对分类问题的适用性。此外,低秩表示系数和特征子空间的联合学习可以促使模型达到整体最优化。设计了基于ALM的求解方案,并保证了目标函数的收敛性。在不同类型的数据集上的实验结果表明了该方法的有效性。(2)提出了一种基于低秩表示的鲁棒性特征子空间学习方法。为了保证特征子空间学习模型在多种噪声条件下的判别性和鲁棒性,设计了低秩的重构样本约束项。该约束项不但可以消除数据中的噪声干扰,还可以利用标签信息来约束样本在投影空间上距离。此外,该方法还利用低秩表示系数...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景和意义
    1.2 特征子空间学习的国内外研究现状
        1.2.1 特征子空间学习的研究现状
        1.2.2 基于表示模型的特征子空间学习方法的研究现状
    1.3 本文的研究内容及章节安排
        1.3.1 本文的研究的内容及创新
        1.3.2 本文的章节安排
第2章 基于子空间结构约束的非负低秩表示特征子空间学习方法
    2.1 引言
    2.2 低秩表示与子空间学习模型分析
        2.2.1 低秩表示模型
        2.2.2 判别子空间学习模型
    2.3 基于低秩表示的特征子空间学习方法建模
    2.4 目标函数的求解方案
    2.5 实验结果与分析
        2.5.1 数据集描述与实验设置
        2.5.2 实验结果
        2.5.3 实验分析
    2.6 本章小结
第3章 基于低秩表示的鲁棒性特征子空间学习方法
    3.1 引言
    3.2 重构样本约束项
    3.3 基于低秩重构样本约束的鲁棒特征子空间学习方法建模
    3.4 目标函数的求解方案
    3.5 实验结果与分析
        3.5.1 数据集描述和实验设置
        3.5.2 实验结果
        3.5.3 训练样本数对识别准确率的影响
        3.5.4 实验分析
    3.6 本章小结
第4章 基于异质特征联合自表示的特征子空间与亲和矩阵学习方法
    4.1 引言
    4.2 阈值岭回归与2DPCA模型分析
        4.2.1 阈值岭回归模型
        4.2.2 2DPCA模型
    4.3 基于异质特征联合自表示的学习模型建模
        4.3.1 基于2DPCA的投影空间学习方法建模
        4.3.2 异质多模态联合自表示学习方法建模
    4.4 基于异质特征联合自表示的模型求解
        4.4.1 求解目标函数
        4.4.2 构造亲和矩阵
    4.5 实验结果与分析
        4.5.1 实验设置
        4.5.2 实验结果
        4.5.3 实验分析
    4.6 本章小结
结论
参考文献
攻读硕士学位期间所发表的学术论文
致谢



本文编号：3824257