基于判别性解析字典与分类器学习的模式分类

摘要：

稀疏表示(Sparse Representation,SR)和字典学习(Dictionary Learning,DL)已被广泛用于编码特征数据并有助于模式分类.现有方法通常使用l1/l2范数或每类使用特定字典来强制SR的类判别能力,但由此产生的类判别能力有限.在这项工作中,提出使用训练集作为训练样本的SR的综合字典,因为它为每类数据提供了最自然的特定字典.训练集的类信息可用于增强SR的判别能力:精确块对角线结构,意味着每个数据只能由同类中数据表示.为了使测试阶段容易,在训练集的判别SR的监督下学习解析字典和线性分类器.一旦学习了解析字典和分类器,测试阶段就非常简单并且高效.称之为判别分析字典与分类器学习(Discriminative Analysis Dictionary and Classifier Learning,DADCL).大量实验表明,该方法具有较好的分类性能.

关键词：判别性解析字典、分类器学习、稀疏表示

所属期刊栏目：56

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金No.61472303.No.61772389.No.61271294

在线出版日期：2020-03-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：165-171