基于迁移鲁棒稀疏编码的图像表示方法

刘慧婷王维纪霞赵鹏

安徽大学;

摘要：

图像表示是图像处理和图像理解研究中的关键问题之一.在图像的低层表示上有很多重要的研究工作,例如HOG,SIFT等.然而在图像的低层表示和高层语义间仍然存在着巨大的鸿沟.因而,很多机器学习的方法被用来学习图像的高层表示,例如主成分分析,稀疏编码,非负矩阵分解以及低秩表示等.传统机器学习假设标记图像和未标记图像服从同一分布,图像表示的误差服从高斯分布.然而现实中图像数据更新速度快,而且图像生成环境存在差异性,导致未标记图像与已标记图像不服从同一分布,因而需要重新标记数据和训练模型.并且图像数据容易出现异常,例如遮挡、腐蚀等等,从而不能再用高斯分布来估计误差.迁移学习允许标记图像(训练数据)和未标记图像(测…展开v

关键词：迁移学习、鲁棒稀疏编码、图像表示、最大均值差异、异常点

所属期刊栏目：40

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金61602004,61472001;安徽省高校自然科学研究重点项目KJ2016A041;安徽省自然科学基金1408085MF122,1508085MF127;安徽大学信息保障技术协同创新中心公开招标课题ADXXBZ2014-5,ADXXBZ2014-6资助.This paper is supported by the National Natural Science Foundation of ChinaGrant .61602004,61472001;the Natural Science Foundation of the Education Department of Anhui ProvinceGrant KJ2016A041;the Natural Science Foundation of Anhui ProvinceGrant .1408085MF122,1508085MF127;the Foundation of Center of Information Support & Assurance TechnologyGrant .ADXXBZ2014-5,ADXXBZ2014-6

在线出版日期：2018-01-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2421-2432