本文關鍵詞：基于秩限制的聯(lián)合字典學習，由筆耕文化傳播整理發(fā)布。

【摘要】：稀疏編碼和低秩學習是當前機器學習與信號處理領域的前沿課題之一。由于稀疏編碼型是本身符合人眼對外來信息的處理,使之在圖像分類、圖像去噪、圖像壓縮、信號傳輸?shù)确较虻玫搅丝涨暗陌l(fā)展。稀疏編碼的本質是在一個過完備基(也叫做字典)中找到最稀疏的圖像表示,從而減少了對圖像數(shù)據(jù)的存儲,同時增強了圖像的可解釋性。低秩學習主要通過去除隨機增幅任意大但是分布稀疏的噪聲來獲得原始的具有低秩結構的樣本。本文首先介紹了國內外關于稀疏編碼和低秩學習的相關技術和取得的成果,針對在圖像分類和人臉識別算法中的基礎環(huán)節(jié),確定了低秩學習和稀疏編碼的研究方向和選題。Bags of Words算法把圖片表示成單詞直方圖的形式,不關心在當前的字典直方圖中能夠盡量精確地重建原始樣本,同時忽略了樣本點的位置信息和類標信息。許多研究工作已經表明,通過學習算法得到的字典通常比固定的預設字典有更好的重建和判別性能。本論文將哲學中的特殊性和普遍性引入到了字典學習方法中。通過設計全新的字典結構包括每個類的特殊性子字典和所有類共有的普遍性子字典,使得字典具有更好的重構誤差表示。我們通過設置了秩的限制來得到最終的樣本的低維度空間結構。同時為了得到正確的所有類共有的普遍性子字典空間,我們加入了最大化所有類共有的普遍性子字典空間秩的函數(shù)。通過對目標函數(shù)的等價替換,我們得到了最終的基于秩限制的聯(lián)合字典學習算法。雖然我們提出的目標函數(shù)并不是一個凸優(yōu)化問題,我們可以將它變成兩個凸優(yōu)化子問題。通過分別優(yōu)化,得到我們提出算法的視覺字典。最后,為了產生更好的分類效果,我們重新設計了分類算法。最終的實驗結果顯示,我們的方法確實產生了更好的分類效果。
【關鍵詞】：稀疏編碼 低秩學習 字典學習 普遍性 特殊性
【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
• Abstract6-9
• 第1章 緒論9-14
• 1.1 研究的背景與意義9-10
• 1.2 研究現(xiàn)狀10-12
• 1.3 論文的研究內容12-13
• 1.4 論文的組織安排13-14
• 第2章 局部特征的圖像分類算法概述14-32
• 2.1 局部特征提取算法14-20
• 2.1.1 SIFT特征14-19
• 2.1.2 HOG特征19-20
• 2.2 Bags of Words算法20-22
• 2.3 稀疏編碼22-24
• 2.4 字典學習24-28
• 2.4.1 ScSPM算法25-26
• 2.4.2 SRC算法26-28
• 2.5 低秩學習28-30
• 2.6 本章小結30-32
• 第3章 基于秩限制的聯(lián)合字典學習32-41
• 3.1 普遍性和特殊性32-34
• 3.2 聯(lián)合字典學習34-36
• 3.3 基于秩限制的聯(lián)合字典學習36-40
• 3.4 本章小結40-41
• 第4章 秩限制的聯(lián)合字典學習的優(yōu)化41-47
• 4.1 固定化稀疏系數(shù)來更新可視化字典41-43
• 4.1.1 固定普通子字典更新特殊子字典41-42
• 4.1.2 固定特殊子字典更新普通子字典42-43
• 4.2 固定化可視化字典更新稀疏系數(shù)43-44
• 4.3 奇異值閾值算法44-45
• 4.4 迭代衰減閾值算法45-46
• 4.5 本章小結46-47
• 第5章 圖像分類策略及實驗結果47-53
• 5.1 圖像分類策略47-48
• 5.2 實驗結果與分析48-52
• 5.2.1 USPS手寫數(shù)字數(shù)據(jù)集49-50
• 5.2.2 AR人臉數(shù)據(jù)集50-52
• 5.3 本章小結52-53
• 第6章 總結與展望53-55
• 6.1 總結53-54
• 6.2 不足與展望54-55
• 參考文獻55-58
• 攻讀學位期間發(fā)表論文與研究成果清單58-59
• 致謝59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 晁永國;戴芳;韓舒然;何靜;;改進的非負稀疏編碼圖像基學習算法[J];計算機工程與科學;2010年01期

2 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學習及其在行人檢測中的應用[J];廈門大學學報(自然科學版);2010年02期

3 郎利影;夏飛佳;;人臉識別中的零范數(shù)稀疏編碼[J];應用科學學報;2012年03期

4 程東陽;蔣興浩;孫錟鋒;;基于稀疏編碼和多核學習的圖像分類算法[J];上海交通大學學報;2012年11期

5 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學學報(工學版);2013年03期

6 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識別與人工智能;2013年11期

7 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測[J];軟件學報;2013年11期

8 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識別中的研究[J];電視技術;2013年23期

9 王瑞霞;彭國華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計算機科學;2014年08期

10 錢樂樂;高雋;謝昭;;一種融合神經稀疏編碼機制的層次目標識別算法[J];中國圖象圖形學報;2010年10期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負稀疏編碼收縮技術實現(xiàn)圖像消噪[A];蘇州市自然科學優(yōu)秀學術論文匯編(2008-2009)[C];2010年

2 劉揚;程健;盧漢清;;基于目標局部特征的遷移式學習[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

3 張瑩瑩;梁培基;;視網膜神經元的高效信息處理[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 唐海峰;基于信號稀疏表征的故障診斷方法研究[D];上海交通大學;2014年

2 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關鍵技術及應用[D];華南理工大學;2015年

3 李清勇;視覺感知的稀疏編碼理論及其應用研究[D];中國科學院研究生院（計算技術研究所）;2006年

4 季昊;稀疏編碼研究及其在模式識別中的應用[D];北京郵電大學;2012年

5 孫俊;人臉圖像分析和識別方法研究[D];清華大學;2001年

6 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學;2014年

7 羅敏楠;T-S模糊推理系統(tǒng)的結構稀疏編碼辨識理論與方法[D];清華大學;2014年

8 謝錦生;基于動態(tài)感知與異常注意的目標描述方法研究[D];中國科學技術大學;2012年

9 劉小白;圖像及視頻語義解析的關鍵技術研究[D];華中科技大學;2012年

10 丁昕苗;基于多示例學習的恐怖視頻識別技術研究[D];中國礦業(yè)大學（北京）;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 柏文強;基于局部特征提取和稀疏編碼的人臉識別算法研究[D];燕山大學;2015年

2 李明;目標檢測與識別算法研究與應用[D];中央民族大學;2015年

3 許濤;面向視頻管理的指紋特征提取技術研究[D];電子科技大學;2015年

4 鮑珍珍;基于多路分層稀疏編碼的遙感圖像場景分類[D];西安電子科技大學;2014年

5 覃曉冰;基于稀疏編碼的語音去噪技術研究[D];電子科技大學;2015年

6 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗證中的應用研究[D];電子科技大學;2015年

7 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學;2014年

8 黃成;基于非負稀疏編碼的視頻拷貝檢測方法研究[D];湘潭大學;2015年

9 張文義;基于智能監(jiān)控系統(tǒng)的圖像質量增強算法的研究[D];南京郵電大學;2015年

10 丁文秀;基于分層深度學習的行人分類方法研究[D];合肥工業(yè)大學;2015年

  本文關鍵詞：基于秩限制的聯(lián)合字典學習，由筆耕文化傳播整理發(fā)布。

，

本文編號：328538