基于分类器集成的有监督字典学习,计算机外文翻译,图像质量评估
文档价格: | 100 金币 立即充值 | 文章语言: | 英语-中文 | 原文出处: | 请在文档内查看 | |||||
译文字数: | 9501 字 (节选翻译) | 译文格式: | Doc.docx (Word) | 更新时间: | 2018-02-02 |
基于分类器集成的有监督字典学习,计算机外文翻译,图像质量评估,半参考,稀疏编码,集成学习
译文(字数:9501):
摘要
在基于稀疏的识别系统中,获得离散稀疏表示是一项决定性的工作。为了实现稀疏编码的可判别性,很多方法,如D-KSVD和LC-KSVD,通过有监督的方式为稀疏编码学习了适应性字典。在本论文中,提出了一个新颖的基于分类器集成的有监督字典学习方法。想法是通过先将字典原子和对应的稀疏编码分组,然后分别给每个组连接一个组相关的线性分类器来提高字典学习过程中稀疏编码的判别力。通过把所有组相关分类器的预测误差合并到一个判别项中,我们建立了一个可以共同优化一个单个字典和分类器集合的有效字典学习模型。基于这个模型,提出了一个高效的数值方法,使得字典和分类器可以同时更新,无需先后学习。我们的方法能够退化到D-KSVD和LC-KSVD中,我们从集成学习的角度提出了对于标签一致性准则的宝贵见解。作为稀疏编码和分类模型,我们的方法应用到了几项图像识别工作中,其中包括人脸,对象,场景和行为的识别。实验结果体现出与最先进的方法相比我们的方法有着出色的表现。
关键词:有监督字典学习;稀疏编码;集成学习;图像分类
1介绍
近几年,表达高维数据的稀疏模型被广泛应用在计算机视觉和模式识别的各个领域,例如,图像分析[1,2],图像复原[3-6]和图像分类[7-12]。给定一组输入数据,稀疏模型旨在用一组典型模式中的几个元素的线性组合来表示每个输入数据。典型模式称作原子,所有典型模式组成的集合称作字典。上述线性组合的系数通常就称作稀疏编码。
原文(未统计字数):