稀疏表示分类的模型、量化指标体系及应用

发布时间：2020-05-13 02:45

【摘要】：稀疏表示是一种基于过完备字典的稀疏编码技术.在当前大数据时代下,高维数据的稀疏表示因为具有良好的数学基础,并且不需要学习与训练,得到了蓬勃的发展,成为图像处理与计算机视觉等领域的研究热点之一.由Wright等人提出的基于稀疏表示的分类(Sparse Representation Based Classification,SRC)是典型的基于正投影的稀疏表示分类模型,被用于人脸识别并取得了良好的效果.之后,SRC受到广泛关注并应用于其他领域中,并且在SRC的基础上,出现了很多改进的稀疏表示分类模型.随着稀疏表示理论的不断发展,稀疏表示分类模型广泛应用于很多领域,在实际应用中也有很多不同的稀疏表示分类模型可以选择,而如何评价各种稀疏表示分类模型,目前还没有综合测量的完整量化指标系统,在数学中,我们重视的是模型的建立、算法的设计,而在实际应用中无法明白如何选择合适的分类模型,所以构建量化指标体系是很有必要的.基于此,本学位论文对稀疏表示分类模型从投影方式的角度进行分类,并基于现有稀疏表示分类模型,提出了一种基于反投影的协同空间稀疏表示分类模型,进而构建了一套从特征表示学习到分类的量化指标体系,并用于人脸识别和肿瘤识别领域.主要工作概括如下:(1)对稀疏表示分类模型从投影方式的角度进行分类.具体的,将稀疏表示分类模型按照投影方式分为基于正投影的稀疏表示分类模型和基于反投影的稀疏表示分类模型,依照表示空间、先验信息、分类准则的不同分别介绍其特点,并且介绍几种经典的稀疏表示分类模型.(2)提出了一种基于反投影的协同空间稀疏表示分类模型.考虑充分利用未标记样本所蕴含的信息的基础上,加入同类训练样本作为协同表示,并构建了一种基于反投影的协同空间稀疏表示模型.采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)完成模型的优化求解,并进行了收敛性分析.最后,在国际公开的一个两类数据库和一个多类数据库上验证了模型的有效性.(3)对稀疏表示分类模型的衡量和选择构建了一套量化指标体系.稀疏表示分类主要分两个主要阶段:表示阶段和分类阶段,从这两个方面入手,定义了一个比较完整的量化指标体系来全面地衡量稀疏表示分类的性能,将稀疏表示分类的性能量化,为如何选择合适的稀疏表示分类提供了一个客观的参考依据,使在实际应用中可以直观地根据需求进行选择.(4)将稀疏表示分类模型和量化指标体系用于人脸识别和肿瘤识别上.在六个国际公开的数据库上进行实验,既验证了稀疏表示分类模型的性能,又展示了量化指标体系对稀疏表示分类模型的性能进行衡量和选择的可行性和有效性.
【图文】：

正则子

正则子逼近

反投影,表示空间,训练样本,标签

含在测试样本中的信息, 构建了基于反投影的稀疏表示分配的分类准则——类别贡献率. 本章介绍反投影稀疏表示分影稀疏表示空间, 给出反投影和反投影表示空间的定义.影和反投影表示空间) 假设x为一个已知标签的训练样本, 间, 则称将这个训练样本投影到该表示空间的投影方式为影表示空间.类似, 这里的反投影强调对已知标签的训练样本 x的表示特别的限制, 也就是说这里的表示空间 ( x )可以根据实际比两种投影方式的不同, 图 3-1(a) 和(b)分别展示了正投影可以直观看出两种投影方式的不同.
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;O157.4

【参考文献】