最小类内方差支持向量引导的字典学习

• 作者: 冉彪 徐涛 王晓明
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 字典学习 协作表达 编码向量 最小类内方差支持向量 数字图像识别
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 60-69
• 页数: 10页
• 分类号: TP391.4
• 字数: 8819字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0053661

摘要

支持向量引导的字典学习算法依据大间隔分类原则,仅考虑每类编码向量边界条件建立决策超平面,未利用数据的分布信息,在一定程度上限制了模型的泛化能力.为解决该问题,提出最小类内方差支持向量引导的字典学习算法.将融合Fisher线性鉴别分析和支持向量机大间隔分类准则的最小类内方差支持向量机作为鉴别条件,在模型分类器的交替优化过程中,充分考虑编码向量的分布信息,保障同类编码向量总体一致的同时降低向量间的耦合度并修正分类矢量,从而挖掘编码向量鉴别信息,使其更好地引导字典学习以提高算法分类性能.在人脸、物体和手写数字识别数据集上的实验结果表明,在大部分样本和原子数量条件下,该算法的识别率和原子鲁棒性均优于K奇异值分解、局部特征和类标嵌入约束等经典字典学习算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐涛	西华大学计算机与软件工程学院	13	116	5.0	10.0
2	王晓明	西华大学计算机与软件工程学院	20	21	3.0	3.0
6	冉彪	西华大学计算机与软件工程学院	4	0	0.0	0.0