本文關(guān)鍵詞：判別式字典學習方法及應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：稀疏表示作為一種強有力的圖像表示模型,近年來已經(jīng)被廣泛地應(yīng)用于解決圖像分類,人臉識別,紋理分類等一系列有關(guān)于計算機視覺分類的問題。字典是稀疏表示模型中影響最終編碼和分類性能的重要因素,因此如何學得一個有利于分類的具有判別力而又緊湊的字典是一個非常有挑戰(zhàn)性的研究工作。本文在總結(jié)和分析了一些相關(guān)字典學習研究工作的基礎(chǔ)上,從考慮數(shù)據(jù)空間的幾何結(jié)構(gòu)屬性和訓練數(shù)據(jù)的類別信息這兩個角度出發(fā),提出了兩種判別式字典學習方法及其應(yīng)用。本文提出了一種有效的基于局部一致的判別式字典學習方法并將其應(yīng)用于圖像分類。在字典學習過程中,有效地利用了數(shù)據(jù)空間的幾何結(jié)構(gòu)信息和數(shù)據(jù)樣本的類別信息,通過考慮數(shù)據(jù)空間的幾何結(jié)構(gòu)屬性來保持局部特征間的相似性屬性,通過引入類別信息使得字典的判別能力進一步加強。結(jié)合數(shù)據(jù)樣本的圖表示,本文的字典學習方法提出了一個有效的范式來建模數(shù)據(jù)空間的幾何結(jié)構(gòu),同時訓練樣本的類別標簽被融入到目標函數(shù)中。通過這種方式,本方法可以獲得一個更加具有判別力的字典,保證了屬于同一類別的相似樣本擁有相似的編碼,而分屬于不同類別的樣本擁有的編碼差異盡可能大。本文將此字典學習方法應(yīng)用于一些經(jīng)典的圖像分類數(shù)據(jù)集,并在其上取得了較好的分類效果,從而證明了本方法的有效性。本文提出了一種有效的基于黎曼流形的判別式字典學習方法并將其應(yīng)用于人臉識別和紋理分類。為了將位于黎曼流形上的對稱正定矩陣數(shù)據(jù)應(yīng)用于稀疏表示模型,本文通過正定核函數(shù)將數(shù)據(jù)和字典映射到再生的核希爾伯特空間,在新的特征空間中每個數(shù)據(jù)點可以表示為字典基向量的稀疏線性組合,并且可以使用黎曼度量來有效度量稀疏重構(gòu)誤差。通過對黎曼流形內(nèi)在幾何結(jié)構(gòu)屬性的保持與類別信息的考慮,學得的判別字典可以使得數(shù)據(jù)樣本在新的特征空間中的編碼保持較高的一致性,即在原始黎曼流形內(nèi)同類的相似矩陣特征獲得更加相似的編碼,而不同類別的矩陣特征獲得的編碼保持一定的差異性。本文將此字典學習方法應(yīng)用于人臉識別和紋理分類數(shù)據(jù)集,并在其上取得了較好的分類效果,從而證明了本方法的有效性。
【關(guān)鍵詞】：字典學習 稀疏表示 圖像分類 人臉識別 黎曼流形
【學位授予單位】：北京理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP181
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 研究意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.3 研究工作內(nèi)容14
• 1.4 論文結(jié)構(gòu)安排14-16
• 第2章 基于局部一致的判別式字典學習方法16-42
• 2.1 引言16
• 2.2 稀疏表示理論16-20
• 2.2.1 稀疏表示模型16-18
• 2.2.2 稀疏表示求解算法18-20
• 2.3 基于稀疏表示的字典學習算法20-24
• 2.3.1 最優(yōu)方向（MOD）字典學習算法20-21
• 2.3.2 K-SVD字典學習算法21-22
• 2.3.3 Fisher判別式字典學習算法22-24
• 2.4 基于局部一致的判別式字典學習24-30
• 2.4.1 理論基礎(chǔ)24-26
• 2.4.2 目標函數(shù)26-27
• 2.4.3 優(yōu)化方法27-30
• 2.5 字典學習在圖像分類上的應(yīng)用30-35
• 2.5.1 詞袋模型30-31
• 2.5.2 特征提取31-32
• 2.5.3 特征池化32-33
• 2.5.4 分類器模型33-35
• 2.6 實驗結(jié)果與結(jié)論35-41
• 2.6.1 參數(shù)設(shè)置35
• 2.6.2 Scene 15數(shù)據(jù)集35-37
• 2.6.3 UIUC-Sport數(shù)據(jù)集37-39
• 2.6.4 Caltech-101數(shù)據(jù)集39-40
• 2.6.5 Caltech-256數(shù)據(jù)集40-41
• 2.7 本章小結(jié)41-42
• 第3章 基于黎曼流形的判別式字典學習方法42-56
• 3.1 引言42
• 3.2 基于黎曼流形的字典學習方法42-47
• 3.2.1 黎曼流形42-43
• 3.2.2 相關(guān)字典學習方法43-47
• 3.3 基于黎曼流形的判別式字典學習47-51
• 3.3.1 理論基礎(chǔ)47-48
• 3.3.2 目標函數(shù)48-50
• 3.3.3 優(yōu)化方法50-51
• 3.4 實驗結(jié)果與結(jié)論51-55
• 3.4.1 實驗設(shè)置51-52
• 3.4.2 Extended Yale B數(shù)據(jù)集52-53
• 3.4.3 FERET數(shù)據(jù)集53-54
• 3.4.4 Brodatz數(shù)據(jù)集54-55
• 3.5 本章小結(jié)55-56
• 第4章 總結(jié)與展望56-58
• 4.1 工作總結(jié)56-57
• 4.2 未來展望57-58
• 參考文獻58-64
• 攻讀學位期間發(fā)表論文與研究成果清單64-65
• 致謝65

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 姜偉;李健芳;楊炳儒;;黎曼流形框架上半監(jiān)督判別分析[J];計算機輔助設(shè)計與圖形學學報;2014年07期

2 鄒麗;溫欣;林彬;;黎曼流形上非線性凸規(guī)劃最優(yōu)性條件的研究[J];計算機科學;2014年02期

3 陳紹榮;王宏強;黎湘;夏勝平;;一種新的黎曼流形學習方法[J];南京大學學報(自然科學版);2012年01期

4 程丹;楊欽;李吉剛;蔡強;;二維黎曼流形的Voronoi圖生成算法[J];軟件學報;2009年09期

5 於東軍;吳小俊;HANCOCK Edwin R;楊靜宇;;廣義SOM及其在人臉性別識別中的應(yīng)用[J];計算機學報;2011年09期

6 ;[J];;年期

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 王湘美;黎曼流形上次梯度算法的收斂性及其應(yīng)用[D];浙江大學;2014年

2 王婷婷;黎曼流形上外微分形式理論在A-調(diào)和方程中的應(yīng)用研究[D];哈爾濱工業(yè)大學;2015年

3 許春燕;基于黎曼流形的圖像分類算法研究[D];華中科技大學;2015年

4 武猛;曲率有下界的黎曼流形[D];南開大學;2009年

5 蔣新榮;黎曼流形上非線性拋物方程的性質(zhì)研究[D];華東師范大學;2011年

6 付風云;半（次）黎曼流形上的共形和射影映射的幾何不變性研究[D];南京理工大學;2012年

7 葉桂波;黎曼流形上的學習理論—在線分類和多核算法[D];復旦大學;2007年

8 李奇睿;黎曼流形上的一些曲率問題[D];浙江大學;2014年

9 郭希;黎曼流形上曲率泛函的變分問題[D];清華大學;2013年

10 吳飛凡;切觸黎曼幾何上幾何分析的一些研究[D];浙江大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 曾凡奇;黎曼流形上Gradient Ricci Almost Soliton的分類及相關(guān)問題[D];河南師范大學;2015年

2 邢慶賀;二維黎曼流形上蒙日—安培方程解水平集的曲率估計[D];哈爾濱師范大學;2015年

3 張適也;判別式字典學習方法及應(yīng)用研究[D];北京理工大學;2016年

4 梁洪;GROMOV-HAUSDORFF距離下緊黎曼流形的收斂性定理[D];首都師范大學;2009年

5 鐘慧文;具有Excess pinching的黎曼流形上的微分球定理[D];曲阜師范大學;2010年

6 吳佳賢;黎曼流形上非線性方程解的梯度估計[D];漳州師范學院;2011年

7 肖剛;黎曼流形上微分動力系統(tǒng)的幾何結(jié)構(gòu)[D];新疆師范大學;2004年

8 焦蕾;次黎曼流形上的幾類變換[D];南京理工大學;2005年

9 陳德重;黎曼流形上的曲線收縮流[D];清華大學;2005年

10 劉雪嬌;關(guān)于黎曼流形上A-調(diào)和方程的研究[D];哈爾濱工業(yè)大學;2010年

  本文關(guān)鍵詞：判別式字典學習方法及應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

本文編號：289591