發(fā)布時間：2021-03-23 19:21

　　在模式識別、計算機視覺和數(shù)據(jù)可視化等領(lǐng)域的實際應用中,同一個物體通常被表示為多個高維特征空間中的數(shù)據(jù),即多視圖數(shù)據(jù)。多視圖數(shù)據(jù)往往比單視圖數(shù)據(jù)包含更多的互補信息,更有利于分類,因此,近年來多視圖學習技術(shù)得到了越來越多的研究者們的關(guān)注。本文主要針對多視圖學習技術(shù)中的子空間學習方法進行研究,并將主要研究內(nèi)容總結(jié)如下:一、提出了一種多視圖局部鑒別學習方法——基于隨機子空間的多視圖局部鑒別投影（RSMLDP）。一方面,RSMLDP解決了直接使用原始高維數(shù)據(jù)構(gòu)造近鄰圖易受噪聲的影響從而影響分類性能的穩(wěn)定性;另一方面,RSMLDP充分利用了樣本的標記信息和局部信息,有效地挖掘了多視圖樣本的鑒別特征和內(nèi)在的局部結(jié)構(gòu)信息。首先,RSMLDP利用隨機子空間技術(shù),對原始數(shù)據(jù)進行隨機特征選擇,將多次隨機特征選擇后的特征子集進行融合后,在融合后的低維特征子空間中為每個視圖構(gòu)造近鄰圖;接著為每個視圖學習一個鑒別的投影變換,使得在該變換空間上,每個視圖的同類近鄰樣本相互靠近,異類近鄰樣本相互遠離,同時樣本的總體局部結(jié)構(gòu)信息能夠得到保持。在MNIST手寫體數(shù)字圖片數(shù)據(jù)庫、COIL-20物體數(shù)據(jù)庫、Multi-PIE... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：130 頁

【學位級別】：博士

【部分圖文】：

原始空間上的樣本分布示例

13圖 2.2 LPP 投影后的特征分布述，在訓練樣本集中選取三類樣本，分別用符號□、○和。圖 2.1 為通過k NN標準對原始空間中的部分示例樣本據(jù)流形，左圖中的數(shù)據(jù)流形中的樣本能很好的聚在一起，由于兩類樣本距離較近，使得同一數(shù)據(jù)流形中同時存在兩到的特征分布情況�？梢钥闯�，左圖中投影后的特征聚集于保持數(shù)據(jù)的近鄰關(guān)系發(fā)生了部分重疊。LMMDE 方法通

3.3.1 數(shù)據(jù)庫介紹本章采用如下四個著名數(shù)據(jù)庫進行實驗：MNIST 手寫體數(shù)字圖片數(shù)據(jù)庫[157]、COIL-20 物體數(shù)據(jù)庫[158]、Multi-PIE 人臉數(shù)據(jù)庫[159]和 Caltech-101 大規(guī)模物體數(shù)據(jù)庫[160]。下面對這四個數(shù)據(jù)庫分別進行介紹：MNIST 手寫體數(shù)字圖片數(shù)據(jù)庫是由 0~9 的數(shù)字圖片組成，數(shù)據(jù)庫中的圖片來源于 NIST的專題數(shù)據(jù)庫 3 和專題數(shù)據(jù)庫 1。該數(shù)據(jù)庫中，每個數(shù)字（類別）包含 100 張大小為28 28像素的數(shù)字圖片。圖 3.1 顯示了 MNIST 數(shù)據(jù)庫中 0~9 的部分示例圖片。為了構(gòu)建實驗所需的多視圖特征集，分別對原始圖片提取以下三類特征：1）Gabor 變換特征[161]；2）Karhunen-Loeve（KL）變換特征[162]；3）Local binary patterns（LBP）[163]特征。為了使每類特征集樣本的維數(shù)保持一致，這里使用 PCA 變換[17]方法將三類特征集數(shù)據(jù)的維數(shù)都降到 100 維。

【參考文獻】：
期刊論文
[1]一種多流形正則化的多視圖非負矩陣分解算法[J]. 宗林林,張憲超,趙乾利,于紅,劉馨月.  南京大學學報(自然科學). 2017(03)
[2]基于弱匹配概率典型相關(guān)性分析的圖像自動標注[J]. 張博,郝杰,馬剛,史忠植.  軟件學報. 2017(02)
[3]改進的協(xié)同訓練框架下壓縮跟蹤[J]. 鄭超,陳杰,殷松峰,楊星,馮云松,凌永順.  電子與信息學報. 2016(07)



本文編號：3096295