Structured Dictionary Learning for Classification
The Johns Hopkins University（约翰斯·霍普金斯大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
稀疏驱动信号处理在过去十年中得到了极大的普及。其核心是假设感兴趣的信号相对于固定变换或信号相关字典是稀疏的。为了更好地捕捉数据特征，已经提出了各种字典学习方法用于重建和分类任务。特别是对于分类，到目前为止提出的大多数方法都集中在设计显式约束的稀疏代码，以提高分类精度，而简单地采用$l_0$-范数或$l_1$-范数的稀疏正则化。受结构化稀疏在压缩感知领域的成功的启发，我们提出了一个结构化字典学习框架（StructDL），它在学习过程中结合了组和任务级别的结构信息。它的好处是双重的：（i）字典原子和训练数据之间的标签一致性被隐含地实施;以及（ii）在小字典大小或有限训练数据的情况下，分类性能比其他技术更鲁棒。使用子空间模型，我们推导了StructDL的条件，以保证性能，并从理论上表明，StructDL是优于$l_0$-范数或$l_1$-范数正则化字典学习分类。大量的实验已经进行了合成模拟和现实世界中的应用，如人脸识别和对象分类，以证明所提出的DL框架的有效性。
2014-06-08 cs.CV
Structured Occlusion Coding for Robust Face Recognition
South China University of Technology（华南理工大学）；Peking University（北京大学）；Shenzhen University（深圳大学）
人脸识别中的遮挡问题是一个常见而又具有挑战性的问题。虽然基于稀疏表示的分类（SRC）已被证明在实验室条件下（即无噪声或随机像素损坏）有前途的性能，但它在实际情况下表现得更差。在本文中，我们考虑实际的人脸识别问题，其中的遮挡是可预测的，可用于采样。我们提出了结构化遮挡编码（SOC）来解决遮挡问题。这里的结构化编码有两个方面。一方面，我们采用结构化的字典进行识别。另一方面，我们建议在这个公式中使用结构稀疏性。具体而言，SOC同时分离遮挡和分类的图像。通过这种方法，将遮挡图像的识别问题转化为在附加遮挡的字典上寻找结构化稀疏解的问题。为了构造一个性能良好的遮挡字典，我们提出了一个遮挡掩模估计技术通过局部约束字典（LCD），显示在遮挡样本的显着改善。在一个特定类别的遮挡字典，我们取代规范稀疏与结构稀疏，这是更强大的，进一步提高我们的方法的鲁棒性。此外，SOC在处理现实世界中的大遮挡方面取得了显着改善。在公开数据集上进行了大量的实验，验证了该算法的优越性。
2015-07-25 cs.CV
Further results on dissimilarity spaces for hyperspectral images RF-CBIR
Basque Country University (UPV/EHU)（巴斯克大学（UPV/EHU））；Gipsa-lab, Grenoble-INP（格勒诺布尔国立高等物理、数学与信息学院Gipsa实验室）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
基于内容的图像检索（CBIR）系统是图像数据库中功能强大的检索工具，但在高光谱图像中的应用却很少。相关反馈（RF）是一种利用机器学习技术和用户反馈来提高CBIR系统性能的迭代过程。我们追求扩大以前的研究，在高光谱CBIR系统建立在不同的功能上定义的光谱和空间特征提取的光谱解混技术，或基于字典的压缩机提取的字典。这些相异函数不适合直接应用于普通机器学习技术。我们建议使用一种基于相异度空间的RF通用方法，这种方法更适合于机器学习算法在高光谱RF-CBIR中的应用。我们在一个真实的高光谱数据集上验证了所提出的高光谱CBIR系统的RF方法。
2013-07-04 cs.CV cs.IR
Compressive hyperspectral imaging via adaptive sampling and dictionary learning
Case Western Reserve University（凯斯西储大学）；Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织（CSIRO））；University of Queensland（昆士兰大学）；University of New South Wales（新南威尔士大学）
在本文中，我们提出了一种新的高光谱信号的采样策略，是基于字典学习和奇异值分解（SVD）。具体来说，我们首先使用字典学习从训练光谱数据中学习稀疏化字典。然后，我们对字典执行SVD，并使用前几个左奇异向量作为测量矩阵的行，以获得用于重建的压缩测量。所提出的方法提供了显着的改进，传统的压缩传感方法。通过使用矩阵平衡来重构传感矩阵，进一步提高了重构性能。我们还证明了字典学习和SVD的组合是强大的，通过将它们应用到不同的数据集。
2015-12-02 cs.CV
Deep Sparse Band Selection for Hyperspectral Face Recognition
West Virginia University（西弗吉尼亚大学）
高光谱成像系统收集和处理来自电磁光谱中特定波长的信息。可见光谱中的多光谱带的融合已经被利用来改善所有常规宽带人脸图像的人脸识别性能。在本书的这一章中，我们提出了一个新的卷积神经网络（CNN）框架，该框架采用结构稀疏学习技术来选择最佳光谱带，以获得所有光谱带上的最佳人脸识别性能。具体来说，在这种方法中，来自所有波段的图像都被馈送到CNN，然后通过采用组Lasso算法来正则化CNN第一层中的卷积滤波器，以在网络训练期间将冗余波段归零。与通常手动或以贪婪方式选择有用波段的其他方法相反，我们的方法自动选择最佳光谱波段，以在所有光谱波段上实现最佳的人脸识别性能。此外，实验结果表明，我们的方法优于国家的最先进的波段选择方法的人脸识别几个公开可用的高光谱人脸图像数据集。
2019-08-15 cs.CV
Hyperspectral Image Classification Based on Adaptive Sparse Deep Network
Shantou University（汕头大学）
稀疏模型广泛应用于高光谱图像分类中，然而稀疏度和正则化参数的不同对分类结果有很大影响，本文提出了一种基于深度结构的自适应稀疏深度网络，通过深度网络构造最优稀疏表示和正则化参数。基于交替方向乘法（ADMM）算法，设计了一个数据流图来表示每次更新迭代，推导了前向网络和反向传播网络，反向传播网络中所有参数采用梯度下降法进行更新。在此基础上，提出了一种自适应稀疏深度网络（Adaptive Sparse Deep Network，ANN），并与传统的分类器或其他稀疏模型算法进行了比较，实验结果表明，该方法在HSI分类中取得了很大的改进。
2019-10-21 cs.CV eess.IV
A Paired Sparse Representation Model for Robust Face Recognition from a Single Sample
École de Technologie Supérieure, Université du Québec（魁北克大学高等技术学院）
基于稀疏表示的分类（SRC）已被证明在人脸识别（FR）中实现了高水平的准确性。然而，将在不受约束的视频中捕获的面部与每个个体具有单个参考面部静止的图库进行匹配通常产生低准确度。为了提高对类内变化的鲁棒性，FR的SRC技术最近被扩展到将来自外部通用集合的变化信息并入辅助字典中。尽管它们在处理线性变化方面取得了成功，但非线性变化（例如，姿势和表情）不能用图库和辅助字典中的图像的线性组合来精确地重建，因为它们不共享相同类型的变化。为了说明由于姿态的非线性变化，引入了成对的稀疏表示模型，允许联合使用变分信息和合成人脸图像。所提出的模型，称为合成加变分模型，重建探头图像，共同使用（1）变分字典和（2）画廊字典增强与一组合成图像产生的各种各样的姿态角。然后鼓励增强图库字典通过解决新制定的同时基于稀疏性的优化问题来将相同的稀疏性模式与用于类似姿态角的变分字典配对。在Chokepoint和COX-S2V数据集上使用不同的人脸表示获得的实验结果表明，所提出的方法可以在每人单个样本的情况下优于最先进的基于SRC的静止到视频FR方法。
2019-10-05 cs.CV
Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior
Xidian University（西安电子科技大学）；Hunan University（湖南大学）
提出一种基于自监督异常先验（SAP）的高光谱异常检测方法，通过自监督分类任务学习伪异常特征以替代手工稀疏先验，并结合双重纯化策略优化背景分离，实现了更准确且可解释的检测效果。
2024-04-20 cs.CV cs.LG
Weighted Hierarchical Sparse Representation for Hyperspectral Target Detection
Northwestern Polytechnical University（西北工业大学）；School of Computer Science（计算机科学学院）；Center for OPTical IMagery Analysis and Learning (OPTIMAL)（光学影像分析与学习中心（OPTIMAL））
高光谱目标检测是遥感领域的一个研究热点。然而，背景字典的建立问题和目标与背景字典的相关性分析问题还没有得到很好的研究。为了解决这些问题，提出了一种用于高光谱目标检测的\emph{Weighted Hierarchical Sparse Representation}。本文的主要贡献如下。1)针对传统的双同心窗结构背景字典表示不足的问题，提出了一种同时考虑局部和全局光谱信息的分层背景字典。2)为了减少背景字典的不纯影响，根据字典质量对目标字典和背景字典的目标得分进行加权。利用三个高光谱目标检测数据集验证了该方法的有效性。实验结果表明，与现有技术相比，该算法具有更好的性能。
2021-05-11 cs.CV eess.IV
Structured Priors for Sparse-Representation-Based Hyperspectral Image Classification
The Johns Hopkins University（约翰斯·霍普金斯大学）；U.S. Army Research Laboratory（美国陆军研究实验室）
逐像素分类是高光谱图像分析中最重要的步骤之一，其中每个像素被分配到一个预定义的类。稀疏表示分类器（SRC）通过将测试像素表示为标记像素的一个小子集的线性组合，与传统的分类器如支持向量机（SVM）相比，给出了更合理的结果。最近，通过加入额外的结构稀疏先验，第二代SRC出现在文献中，并报告进一步提高HSI的性能。这些先验是基于利用相邻像素之间的空间依赖性，字典的固有结构，或两者兼而有之。在本文中，我们回顾和比较几个结构化的先验稀疏表示为基础的HSI分类。我们还提出了一个新的结构先验称为低秩组先验，它可以被认为是低秩先验的修改。此外，我们将研究不同的结构先验如何改善HSI分类的结果。
2014-01-16 cs.CV cs.LG stat.ML
Unsupervised Band Selection of Hyperspectral Images via Multi-dictionary Sparse Representation
Dalian University of Technology（大连理工大学）；Shenyang Aerospace University（沈阳航空航天大学）；University of Adelaide（阿德莱德大学）
高光谱图像具有比普通多光谱图像多得多的光谱波段。丰富的波段信息为海量应用提供了更为有利的条件。然而，光谱带维数的显著增加可能导致维数灾难，特别是对于分类应用。此外，由于水分蒸发、传感器噪声等因素的影响，原始图像立方体之间存在大量的冗余信息。波段选择是一种直接有效的去除冗余信息、降低谱维数的方法，可以降低计算复杂性，避免维数灾难。在本文中，我们提出了一种新的学习框架的基础上的思想稀疏表示的波段选择。更具体地，首先，每个带由其他带的线性组合近似地表示，然后原始带图像可以由多字典学习机制表示。因此，一组权重可以通过稀疏优化获得的所有波段。最后，如果特定波段在原始图像的表示中获得比其他波段更高的权重，则将选择特定波段。在三个广泛使用的高光谱数据集上的实验结果表明，该算法在高光谱图像分类中取得了较好的性能，与其他最先进的波段选择方法相比。
2018-02-20 cs.CV
Supervised Dictionary Learning by a Variational Bayesian Group Sparse Nonnegative Matrix Factorization
Rudjer Boskovic Institute（鲁杰尔·博什科维奇研究所）
非负矩阵分解（NMF）与组稀疏约束的概率图形模型，并制定，假设一些观察数据已产生的模型，一个可行的变分贝叶斯算法的学习模型参数。当在监督学习场景中使用时，NMF最常用作无监督特征提取器，然后在所获得的特征子空间中进行分类。在将类标签映射到更一般的组概念（其是系数的稀疏性的基础）之后，所提出的组稀疏NMF模型允许的是将类标签信息并入以找到低维标签驱动的字典，其不仅旨在忠实地表示数据，而且还适合于类判别。在面部识别和面部表情识别领域进行的实验表明，在这种标签驱动的特征子空间中进行分类比在无监督方式下获得的特征子空间中进行分类具有优势。
2014-05-27 cs.CV cs.LG stat.ML
An Augmented Linear Mixing Model to Address Spectral Variability for Hyperspectral Unmixing
German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）；RIKEN（日本理化学研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；University of Iceland（冰岛大学）
从航空或卫星来源收集的高光谱图像不可避免地受到光谱变化的影响，这使得光谱分解难以准确估计丰度图。经典的解混模型，线性混合模型（LMM），通常无法有效地处理这个棘手的问题。为此，我们提出了一种新的光谱混合模型，称为增广线性混合模型（ALMM），以解决光谱的变化，通过应用数据驱动的学习策略在反问题的高光谱解混。所提出的方法对主要光谱可变性（即，比例因子）通过端元字典分别由照明或排版的变化产生。然后，它对由环境条件引起的其他光谱可变性（例如，局部温度和湿度，大气影响）和仪器配置（例如，传感器噪声）以及材料非线性混合效应。为了有效地运行数据驱动的学习策略，我们还提出了一个合理的先验知识的光谱变异字典，其原子被假定为低相干的光谱签名的端元，这导致了一个众所周知的低相干字典学习问题。因此，字典学习技术被嵌入到光谱分解的框架中，使得算法可以同时学习光谱变异字典和估计丰度图。在人工数据集和真实数据集上进行了大量的实验，与以往的最先进的方法相比，证明了该方法的优越性和有效性。
2018-10-29 cs.CV
Multimodal Task-Driven Dictionary Learning for Image Classification
Pennsylvania State University（宾夕法尼亚州立大学）；Army Research Laboratory（美国陆军研究实验室）；Bosch Research and Technology Center（博世研究与技术中心）；West Virginia University（西弗吉尼亚大学）
字典学习算法已经成功地用于重建和判别任务，其中输入信号用字典原子的稀疏线性组合表示。虽然这些方法大多是针对单模态场景开发的，但最近的研究已经证明了基于多模态输入的联合稀疏表示的特征级融合的优势。在本文中，我们提出了一个多模态任务驱动的字典学习算法下的联合稀疏约束（先验），以加强多个同质/异构信息源之间的合作。在这个任务驱动的公式，多模态字典学习的同时，其相应的分类。由此产生的多模态字典可以从针对给定任务（例如二进制或多类分类）优化的数据中生成有区别的潜在特征（稀疏代码）。此外，我们提出了一个扩展的建议制定使用混合的联合和独立的稀疏先验，有利于更灵活的融合的方式在特征级。所提出的多模态分类算法的功效说明了四个不同的应用程序-多模态人脸识别，多视图人脸识别，多视图动作识别，和多模态生物识别。它还表明，与对应的基于重构的字典学习算法相比，任务驱动的配方在这个意义上，它们可以配备更紧凑的字典，仍然实现卓越的性能是更有效的计算。
2015-10-27 cs.CV cs.LG stat.ML
Shapelet-based Sparse Representation for Landcover Classification of Hyperspectral Images
Institute of Geographical Sciences, Remote Sensing and Geoinformatics, Freie Universität Berlin（柏林自由大学地理科学、遥感与地理信息研究所）
本文提出了一种基于稀疏表示的分类方法与一种新的字典的建设过程。通过使用所构造的字典，可以集成关于图像的空间性质的复杂先验知识。该方法是基于这样的假设，即每个图像补丁可以分解成特征空间模式，也称为shapestra，和补丁特定的光谱信息。该方法以无监督的方式学习一组形状信息，并通过训练样本来体现光谱信息。形状和光谱信息的组合表示在一个欠完备的空间-光谱字典为每个单独的补丁，其中字典的元素被线性组合到补丁的稀疏表示。基于块的分类是通过表示误差得到的。在三个著名的高光谱图像数据集上进行了实验。他们说明，我们提出的方法显示出优越的结果相比，稀疏表示为基础的分类器，只使用有限的空间信息和行为的竞争力或优于国家的最先进的分类器，利用空间信息和核稀疏表示为基础的分类器。
2017-08-20 cs.CV
Hyperspectral Anomaly Detection via Group Sparse Low-Rank Tensor Factorization With Automatic Anomaly Grouping
Central China Normal University（华中师范大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）
针对高光谱异常检测中计算成本高和异常结构表征受限的问题，提出基于自动异常分组的群稀疏低秩张量分解方法GSAA，并融合光谱-空间信息，在五个真实数据集上取得优越检测性能。
2026-09-09 cs.CV math.OC
Dictionary learning for clustering on hyperspectral images
University of the Witwatersrand（金山大学）；School of Computer Science and Applied Mathematics（计算机科学与应用数学系）
字典学习和稀疏编码作为无监督特征学习的机制已被广泛研究。无监督学习可以给高光谱图像处理和其他遥感数据分析带来巨大的好处，因为在这一领域，标记数据往往是稀缺的。我们提出了一种方法，用于聚类的高光谱图像的像素使用稀疏系数计算从一个代表性的字典作为功能。我们的经验表明，所提出的方法比聚类的原始像素更有效。我们还表明，我们的方法，在某些情况下，优于使用主成分分析和非负矩阵分解提取的特征的聚类结果。此外，我们的方法适用于重复聚类不断增长的高维数据量的应用程序，这是与高光谱卫星图像工作时的情况。
2022-02-02 cs.CV cs.LG eess.IV
Hyperspectral Anomaly Detection Fused Unified Nonconvex Tensor Ring Factors Regularization
School of Mathematics and Statistics, Southwest University（数学与统计学学院，西南大学）；School of Mathematics and Statistics, Xi’an Jiaotong University（数学与统计学学院，西安交通大学）；School of Computer Science and Technology and Ministry of Education Key Lab For Intelligent Networks and Network Security, Xi’an Jiaotong University（计算机科学与技术学院和教育部智能网络与网络安全重点实验室，西安交通大学）；School of Mathematical Sciences/Research Center for Image and Vision Computing, University of Electronic Science and Technology of China（数学科学学院/图像与视觉计算研究中心，电子科技大学）；Institute of Methodologies for Environmental Analysis, CNR-IMAA（环境分析方法学研究所，CNR-IMAA）
提出HAD-EUNTRFR高光谱异常检测方法，通过TSVD诱导的统一非凸TR因子正则化与异常组稀疏正则化建模背景低秩平滑性，并以ADMM求解，检测精度优于SOTA方法。
2025-10-20 cs.CV cs.LG
Sparsity Constrained Distributed Unmixing of Hyperspectral Data
Qom University of Technology（库姆理工大学）；Shiraz University（设拉子大学）
光谱解混是一种对遥感高光谱图像混合像元进行特征化的技术。大多数光谱分解算法都是基于线性混合模型的。在盲问题中，非负矩阵分解（NMF）及其发展被广泛应用于端元和分数丰度矩阵的估计。NMF中加入的约束之一是稀疏性，它通过Lq范数进行正则化。本文提出了一种基于分布式优化的混合光谱分解新算法。在该算法中，一个网络，包括单节点集群。高光谱图像中的每个像素被认为是该网络中的一个节点。采用扩散最小平均p幂（LMP）策略对稀疏约束分布式解混进行优化，得到了分数丰度和特征矩阵的更新方程。然后，针对不同的LMP功率和Lq范数值，对所提出的算法进行了分析。基于定义的性能指标的仿真结果表明，与其他方法相比，该算法在高光谱数据的光谱分解中具有优势。
2019-02-20 cs.CV
Compressive Hyperspectral Imaging with Side Information
Duke University（杜克大学）
提出了一种盲压缩感知算法，将光谱压缩后的数据进行编码，然后叠加，将三维高光谱数据立方体映射到二维图像上，从而实现了高光谱图像的重建。反演算法通过全局-局部收缩先验从测量值学习字典{ \em in situ}。通过使用RGB图像作为压缩感知系统的边信息，所提出的方法被扩展到从压缩测量和相应的RGB图像的联合数据集学习耦合字典，以提高重建质量。使用硅基液晶调制器构建了一个原型相机。从模拟和真实压缩测量的高光谱数据立方体的实验重建证明了所提出的反演算法的有效性，相机的可行性和边信息的好处。
2015-02-22 cs.CV
Distributed Unmixing of Hyperspectral Data With Sparsity Constraint
Qom University of Technology（库姆理工大学）
光谱解混是高光谱遥感中的一个数据处理问题。SU问题中的一个重要挑战是如何准确地识别端元及其权重。非负矩阵分解（NMF）及其发展在SU问题中被广泛应用于盲问题中的特征矩阵和分数丰度矩阵的估计。其中一个约束是稀疏性约束，该约束通过L1/2范数进行正则化。本文提出了一种新的基于分布式优化的混合光谱分解算法。在所提出的算法中，一个网络，包括单节点集群已被采用。将高光谱图像中的每个像素作为网络中的一个节点。采用扩散LMS策略对稀疏约束下的分布式解混算法进行了优化，得到了分数丰度和特征矩阵的更新方程。基于定义的性能指标的仿真结果表明，与其他方法相比，该算法在高光谱数据的光谱分解中具有优势。实验结果表明，在信噪比为25 dB时，该方法的AAD和SAD分别比分布式解混提高了6%和27%。
2017-11-03 cs.CV
Unbalanced Optimal Transport Dictionary Learning for Unsupervised Hyperspectral Image Clustering
本文提出利用不平衡最优传输字典学习方法，通过低维表示和光谱聚类实现超光谱图像的无监督聚类。
2026-03-10 cs.CV cs.LG math.ST
Sparsity Constrained Graph Regularized NMF for Spectral Unmixing of Hyperspectral Data
由于高光谱传感器的空间分辨率较低，高光谱图像包含混合像素。混合像素是包含多个不同材质（称为端元）的像素。混合像元中端元的存在百分比称为丰度分数。光谱解混问题是指将这些像元分解成一组端元和丰度分数。由于丰度分数的非负性约束，非负矩阵分解方法（NMF）被广泛用于解决光谱分解问题。本文采用图正则化NMF（GNMF）方法结合稀疏约束对高光谱图像混合像元进行分解。该方法在保持数据几何结构的同时，将其表示在低维空间中。对于稀疏项，本文还采用了模拟退火算法中基于温度的自适应正则化参数。该算法适用于合成和真实数据集。合成数据是基于来自USGS光谱库的端元生成的。AVIRIS Cuprite数据集用作评价所提出方法的真实数据集。基于光谱角距离（SAD）和丰度角距离（AAD）测量结果进行量化。实验结果表明，该方法能更有效地对混合数据进行分解。特别是对于Cuprite数据集，所提出的方法的性能在SAD的均方根方面比VCA和稀疏NMF好大约10%。
2014-11-03 cs.CV
Quality Versus Sparsity in Image Recovery by Dictionary Learning Using Iterative Shrinkage
Institute for Mathematics Brandenburg University of Technology Cottbus, Germany（数学研究所 柏林技术大学 科特布斯 德国）
本文研究稀疏字典学习在图像恢复中的稀疏性与质量权衡，发现高稀疏性通常不损害恢复质量，即使恢复图像与学习数据库差异较大。
2025-08-05 cs.CV
A Dictionary-Based Generalization of Robust PCA Part II: Applications to Hyperspectral Demixing
University of Minnesota（明尼苏达大学）；Princeton University（普林斯顿大学）
我们考虑的任务定位的高光谱（HS）图像的基础上，他们的光谱签名（S）的目标，通过提出两个不同的凸去混任务的问题。在从遥感到监视的各种应用中，目标探测任务利用了每种材料/物体根据其组成具有其自身特征光谱响应的事实。然而，由于不同材料的$\textit{signatures}$通常是相关的，因此基于匹配滤波的方法在这里可能不适用。为此，我们建模HS图像作为低秩分量和字典稀疏分量的叠加，其中字典由我们希望本地化的目标的$\textit{a priori}$已知特征光谱响应组成，并开发用于两种不同稀疏结构的技术，由不同的模型假设产生。我们还提出了相应的恢复保证，利用我们最近的理论结果从一个配套文件。最后，我们分析了所提出的方法的性能，通过实验评估真实HS数据集的分类任务，并比较其性能与相关技术。
2019-02-26 cs.CV cs.LG stat.ML
White matter fiber analysis using kernel dictionary learning and sparsity priors
École de technologie supérieure（高等技术学院）；McGill University（麦吉尔大学）
扩散磁共振成像，一种非侵入性的工具，推断白质纤维连接，产生了大量的流线包含丰富的信息结构连接。这些tractography输出的大小使得进一步的分析变得复杂，需要将流线分组为有意义的束的方法。在这项工作中，我们提出了一套基于核字典学习和稀疏先验的方法来解决这个问题。提出的框架包括L-0范数，组稀疏性，以及流形正则化先验。所提出的方法允许将流线分配给多个束，使其对重叠束和学科间变化更加鲁棒。我们评估我们的方法的性能标记集和数据从人类连接组计划。结果突出了我们的方法分组流线成合理的束的能力，并说明了稀疏先验对所提出的方法的性能的影响。
2018-04-15 cs.CV
Robust Hyperspectral Unmixing with Correntropy based Metric
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
高光谱解混是高光谱应用的关键步骤之一。在端元和丰度都未知的无监督工作环境中，高光谱解混问题已被证明是一项艰巨的任务。更重要的是，这个任务变得更具挑战性的情况下，频谱带退化的噪声。本文提出了一种鲁棒的非监督高光谱解混模型。具体来说，我们的模型是开发与相关熵为基础的度量，其中的非负约束端元和丰度施加保持物理意义。此外，稀疏事先明确制定约束的丰度分布的每个端元。为了解决我们的模型，一个半二次优化技术的开发，将原来复杂的优化问题转化为一个迭代重新加权稀疏约束的NMF。因此，我们的模型的优化可以自适应地分配小的权重到噪声带，并给予更多的重视，无噪声带。此外，通过稀疏性约束，我们的模型可以自然地生成稀疏丰度。合成和真实数据上的实验证明了我们的模型的有效性相比，相关的国家的最先进的混合模型。
2013-05-31 cs.CV
Hyperspectral Target Detection Based on Low-Rank Background Subspace Learning and Graph Laplacian Regularization
Dalian University of Technology（大连理工大学）
针对高光谱目标检测中背景字典未知和空间信息利用不足的问题，提出融合LRR背景子空间学习与局部GLR系数约束的检测方法，并在两个基准数据集上验证了优越性。
2023-06-01 cs.CV
A General Framework for Group Sparsity in Hyperspectral Unmixing Using Endmember Bundles
Department of Mathematics, Michigan State University（数学系，密歇根州立大学）；Department of Mathematics and the School of Data Science and Society, The University of North Carolina at Chapel Hill（数学系和数据科学与社会学院，北卡罗来纳大学教堂山分校）；Department of Mathematics and the Department of Computational Mathematics, Science and Engineering, Michigan State University（数学系和计算数学、科学与工程系，密歇根州立大学）
针对高光谱解混中物质类别可变性导致单一光谱特征表示不准确的问题，提出基于端元束的组稀疏性通用框架，支持多种稀疏惩罚并验证了有效性。
2025-05-20 cs.CV eess.IV
Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery
Southwest China Institute of Electronic Technology（西南中国电子技术研究所）
提出STVMLU方法，结合TV约束与L1/2稀疏约束的多层矩阵分解，利用ADMM优化，提升高光谱解混精度。
2025-08-05 cs.CV cs.LG eess.IV
Dependent Nonparametric Bayesian Group Dictionary Learning for online reconstruction of Dynamic MR images
National University of Singapore（新加坡国立大学）
在本文中，我们介绍了一个字典学习为基础的方法适用于MR图像序列的实时重建问题，是在k空间的高度欠采样。与传统的字典学习不同，我们的方法集成了全局和局部稀疏信息，并将一些先验信息纳入重建过程。此外，我们使用依赖分层贝塔过程作为基于组的字典学习的先验，自适应地推断每个补丁的字典大小和稀疏性;并且还确保相似的补丁以相似的字典原子来表现。基于交替方向乘子法（ADMM）的数值算法也提出了一个有效的。通过大量的实验结果表明，我们提出的方法实现了优越的重建质量，相比其他国家的最先进的DL为基础的方法。
2015-02-12 cs.CV
Trainlets: Dictionary Learning in High Dimensions
Technion Israel Institute of Technology（以色列理工学院）
稀疏表示已被证明是真实世界信号的一个非常强大的模型，并使应用程序的开发具有显着的性能。结合从信号示例中学习字典的能力，稀疏启发算法通常在各种任务中实现最先进的结果。然而，这些方法传统上被限制到小尺寸，主要是由于字典学习问题所带来的计算约束。在图像处理的上下文中，这意味着处理小的图像块。在这项工作中，我们将展示如何有效地处理更大的尺寸，并超越小补丁的稀疏信号和图像处理方法。我们建立我们的方法的基础上，一个新的裁剪小波分解，这使得多尺度分析几乎没有边界效应。然后，我们将其用作双稀疏模型中的基础字典，以实现自适应字典的训练。为了应对训练数据的增加，同时提高训练性能，我们提出了一个在线稀疏字典学习（OSDL）算法来有效地训练这个模型，使它能够处理数以百万计的例子。这项工作表明，字典学习可以升级到一个新的水平的信号维度，获得大的适应性原子，我们称之为trainlets。
2016-05-12 cs.CV
Learning $\ell_1$-based analysis and synthesis sparsity priors using bi-level optimization
Graz University of Technology（格拉茨工业大学）
我们考虑了基于$\ell_1$正则化稀疏表示模型的分析算子和综合字典学习问题。揭示了基于$\ell_1$的分析模型与综合模型之间的内在联系。然后，我们介绍了一种方法，同时学习分析算子和综合字典使用一个统一的框架，双层优化。我们的目标是学习一个有意义的算子（字典），使得基于分析（综合）先验模型的最小能量解尽可能接近地面实况。我们使用隐式微分技术解决双层优化问题。此外，我们通过将学习的分析算子（字典）应用于图像去噪任务并将其性能与最先进的方法进行比较来证明我们的学习方法的有效性。在这个统一的框架下，我们可以比较两种类型的先验的性能。
2014-01-16 cs.CV
Sparsity-based Color Image Super Resolution via Exploiting Cross Channel Constraints
The Pennsylvania State University（宾夕法尼亚州立大学）
稀疏约束下的单图像超分辨率（SR）是近年来的研究热点。典型的方法涉及经由示例LR块的字典稀疏地表示低分辨率（LR）输入图像中的块，然后使用该表示的系数经由类似的HR字典生成高分辨率（HR）输出。然而，大多数现有的用于超分辨率的稀疏表示方法集中于亮度通道信息，并且不捕获颜色通道之间的交互。在这项工作中，我们扩展基于稀疏的超分辨率到多个颜色通道，考虑到颜色信息。利用RGB颜色带之间的边缘相似性作为交叉通道相关性约束。这些额外的约束导致一个新的优化问题，这是不容易解决的，但是，提出了一个易于处理的解决方案，有效地解决它。此外，为了充分利用颜色通道之间的互补信息，还专门提出了一种字典学习方法来学习鼓励边缘相似性的颜色字典。所提出的方法的优点超过国家的最先进的表现出视觉和定量使用图像质量指标。
2016-10-04 cs.CV
Hyperspectral and Multispectral Image Fusion based on a Sparse Representation
University of Toulouse（图卢兹大学）；Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）
本研究提出一种基于变分法与稀疏表示的高光谱-多光谱图像融合方法，通过字典学习与交替优化求解逆问题，仿真验证其性能优于现有主流融合方法。
2014-09-19 cs.CV
Automatic Target Detection for Sparse Hyperspectral Images
CentraleSupélec（法国中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）；American University of Beirut（贝鲁特美国大学）；ONERA（法国航空航天研究院）；National University of Singapore（新加坡国立大学）
在这项工作中，一种新的高光谱图像目标检测器的开发。该检测器不依赖于未知的协方差矩阵，在大维数下表现良好，不受大气影响，不需要构造背景字典。基于对鲁棒主成分分析（RPCA）的改进，将给定的高光谱图像（HSI）看作由低秩背景HSI和稀疏目标HSI之和组成，稀疏目标HSI包含基于用户指定的预先学习的目标字典的目标。稀疏分量直接用于检测，即在稀疏目标HSI的非零条目处简单地检测目标。因此，一种新的目标检测器的开发，这是简单的稀疏HSI自动生成从原始的HSI，但只包含与背景的目标被抑制。实验结果表明，该检测器在高光谱目标检测中的有效性，特别是当目标与周围环境匹配良好时。
2020-03-05 cs.CV eess.IV
Adaptive Multi-Order Graph Regularized NMF with Dual Sparsity for Hyperspectral Unmixing
School of Automation Engineering, Shanghai University of Electric Power（上海电力大学自动化工程学院）；School of Mechatronic Engineering and Automation, Shanghai University（上海大学机械电子工程与自动化学院）；School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院）
针对现有图正则化NMF方法仅考虑低阶邻域且需手动调参的问题，提出自适应多阶图正则化NMF方法，引入双稀疏约束，通过交替最小化算法求解，在模拟和真实数据上提升解混性能。
2025-08-22 cs.CV eess.IV
Blind Source Separation Based on Sparsity
Imperial College London Department of Electrical and Electronic Engineering（伦敦帝国学院电子与电气工程系）
本报告探讨了基于稀疏性的盲源分离方法，介绍了MCA理论及MMCA、GMCA等变体，提出了基于块稀疏字典学习的改进算法SAC+BK-SVD，实验证明其提升了盲图像分离质量。
2025-04-27 cs.CV
Self-supervised Deep Hyperspectral Inpainting with the Sparsity and Low-Rank Considerations
University of Edinburgh（爱丁堡大学）
针对高光谱图像易受噪声、失真、数据丢失影响降质的问题，提出两种无需外部训练数据的自监督修复算法LRS-PnP与LRS-PnP-DIP，经稳定性分析验证收敛性，实验达当前最优性能。
2023-06-13 cs.CV cs.LG eess.IV
Constrained low-tubal-rank tensor recovery for hyperspectral images mixed noise removal by bilateral random projections
University of Electronic Science and Technology of China（电子科技大学）；Hong Kong Baptist University（香港浸会大学）
本文提出了一种新的低管秩张量恢复模型，该模型直接约束管秩先验，有效地去除高光谱图像中的混合高斯和稀疏噪声。在恢复过程中，管秩和稀疏性的约束可以支配去噪张量的解。为了求解约束低管秩模型，我们开发了一种基于双边随机投影的迭代算法来有效地求解该模型。随机投影的优点是可以以一种廉价的方式相当准确地获得低管秩张量的近似。高光谱图像去噪的实验结果表明了该方法的有效性和效率。
2019-05-15 cs.CV
HyperFree: A Channel-adaptive and Tuning-free Foundation Model for Hyperspectral Remote Sensing Imagery
Wuhan University（武汉大学）；Seoul National University（首尔大学）
提出免调优高光谱基础模型HyperFree，利用权重字典和语义感知掩码处理多变通道，单提示性能媲美专门模型五样本，覆盖5任务11数据集。
2025-03-27 cs.CV
EndNet: Sparse AutoEncoder Network for Endmember Extraction and Hyperspectral Unmixing
TUBITAK Space Technologies Research Institute（土耳其科学技术研究理事会空间技术研究所）；Middle East Technical University（中东技术大学）
从多通道传感器获得的数据是解释各种遥感应用的环境的非常宝贵的资产。然而，低空间分辨率是以前的传感器的一个关键限制，并且由于它们的空间相互作用，场景的组成材料可以在不同的部分中混合。光谱解混是一种能够从高光谱数据中获取物质光谱特征及其分数的技术。在本文中，我们提出了一种新的端元提取和高光谱解混方案，所谓的\textit{EndNet}，这是基于一个两级自动编码器网络。通过引入附加层和投影度量（即，光谱角距离（SAD）而不是内积）来获得最优解。此外，我们提出了一种新的损失函数，它是由一个Kullback-Leibler发散项与SAD相似性和额外的惩罚条款，以提高估计的稀疏性。这些修改使我们能够为自编码器网络设置端元的共同属性，例如非线性和稀疏性。最后，由于基于随机梯度的方法，该方法对于大规模数据是可扩展的，并且可以在图形处理单元（GPU）上加速。为了证明我们所提出的方法的优越性，我们进行了广泛的实验上几个知名的数据集。结果证实，所提出的方法大大提高了性能相比，在文献中的国家的最先进的技术。
2018-07-16 cs.CV
Superpixel Based Graph Laplacian Regularization for Sparse Hyperspectral Unmixing
Gaziantep University（加济安泰普大学）
针对稀疏高光谱混合分解方法，提出了一种基于超像素分割和图拉普拉斯正则化的空间正则化方法。由于它是可能找到光谱相似的像素在一个均匀的区域，我们使用超像素分割算法提取均匀的区域，考虑到图像的边界。我们首先提取均匀区域，这是所谓的超像素，然后在每个超像素的加权图构造通过选择$K$ -最近的像素在每个超像素。图中的每个节点表示像素的光谱，并且边缘连接超像素内的类似像素。利用图拉普拉斯正则化研究空间相似性。利用加权稀疏提升范数对丰度矩阵进行稀疏正则化。仿真和真实数据集上的实验结果表明，该算法优于文献中的知名算法。
2020-09-12 cs.CV eess.IV
Active Deep Learning for Classification of Hyperspectral Images
研究了高光谱图像的主动深度学习分类问题。深度学习在许多应用中取得了成功，但需要高质量的标记样本来构建深度学习网络。在高光谱遥感图像中获取高质量的标记样本是一项昂贵的工作。提出了一种基于加权增量字典学习的主动学习算法。该算法选择训练样本，最大限度地提高两个选择标准，即代表性和不确定性。该算法通过在每次迭代中主动选择训练样本来有效地训练深度网络。将该算法应用于高光谱图像的分类，并与其他采用主动学习的分类算法进行了比较。实验结果表明，该算法在高光谱图像分类中是有效的。
2016-11-30 cs.CV cs.LG stat.ML
Target-based Hyperspectral Demixing via Generalized Robust PCA
Department of Electrical and Computer Engineering, University of Minnesota – Twin Cities（明尼苏达大学双城分校电气与计算机工程系）
在给定的高光谱（HS）图像中定位感兴趣的目标具有从遥感到监视的应用范围。这种目标检测任务利用了每个材料/物体根据其组成具有其自身特征光谱响应的事实。由于不同材料的$\textit{signatures}$通常是相关的，因此基于匹配滤波的方法在这种情况下可能不合适。在这项工作中，我们提出了一种技术来本地化的目标的基础上，他们的光谱特征。我们还提出了相应的恢复保证，利用我们最近的理论结果。为此，我们将HS图像建模为低秩分量和字典稀疏分量的叠加，其中字典由我们希望定位的目标的$\textit{a priori}$已知特征光谱响应组成。最后，我们分析了所提出的方法的性能，通过实验验证真实HS数据的分类任务，并将其与相关技术进行比较。
2019-02-26 cs.CV cs.LG stat.ML
Low-rank Meets Sparseness: An Integrated Spatial-Spectral Total Variation Approach to Hyperspectral Denoising
imec（比利时微电子研究中心）；Ghent University（根特大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
空间-光谱全变分（SSTV）能够量化图像结构的局部平滑性，因此被广泛应用于高光谱图像（HSI）处理任务。本质上，SSTV假设沿空间和频谱方向计算的梯度图的稀疏结构。实际上，这些梯度张量不仅是稀疏的，而且在FFT下是（近似）低秩的，我们已经通过数值试验和理论分析验证了这一点。基于这一事实，我们提出了一种新的TV正则化，同时表征稀疏性和低秩先验的梯度映射（LRSTV）。新的正则化不仅赋予了梯度映射本身的稀疏性，而且对傅里叶变换后的梯度映射沿谱维的秩进行了惩罚。它自然地对梯度图的稀疏性和低秩先验进行编码，从而期望更忠实地反映原始图像的内在结构。此外，我们使用LRSTV来取代传统的SSTV，并将其嵌入到HSI处理模型中，以提高其性能。在多个含有强混合噪声的公开数据集上的实验结果表明，该模型可以使PSNR提高1.5dB。
2022-04-27 cs.CV eess.IV
Dictionary Learning and Sparse Coding on Statistical Manifolds
Department of Computer and Information Science and Engineering（计算机与信息科学与工程系）；University of Florida（佛罗里达大学）
在本文中，我们提出了一个新的信息理论框架的字典学习（DL）和稀疏编码（SC）的统计流形（流形的概率分布）。与传统的DL和SC框架不同，我们的新配方没有显式地将任何稀疏诱导规范的成本函数进行优化，但仍产生稀疏代码。我们的算法通过字典原子的加权Kullback-Leibeler中心/平均值（KL中心）来近似统计流形上的数据点（它们是概率分布）。KL-中心被定义为在其自身和其中心被寻找的集合的成员之间的最大KL-发散的最小化者。此外，我们证明了加权KL-中心是字典原子的稀疏组合。这个结果也适用于KL发散被著名的Hellinger距离所取代的情况。从应用的角度来看，我们提出了上述框架的对称正定矩阵的流形（可以确定与零均值高斯分布的流形），$\mathcal{P}_n$的扩展。我们目前的实验涉及各种基于字典的重建和分类问题，在计算机视觉。所提出的算法的性能证明，通过比较它的重建和分类精度以及所选表示的稀疏性方面的几个国家的最先进的方法。
2018-05-03 cs.CV
Sparsity Based Poisson Denoising with Dictionary Learning
The Technion - Israel Institute of Technology（以色列理工学院）
泊松去噪问题出现在各种成像应用中，例如弱光摄影、医学成像和显微镜。在高SNR的情况下，存在几种变换，以便将泊松噪声转换为加性i.i.d.高斯噪声，其中许多有效的算法是可用的。然而，在低SNR状态下，这些变换的准确性明显降低，并且需要直接依赖于真实噪声统计的策略。Salmon等人最近的一项工作采取了这一路线，提出了一种基于GMM（高斯混合模型）的基于块的指数图像表示模型，导致了最先进的结果。在本文中，我们建议利用稀疏表示建模的图像补丁，采用相同的指数的想法。我们的方案使用了一个贪婪的追求与自举为基础的停止条件和字典学习的去噪过程。该方案的重建性能在高信噪比下与领先的方法竞争，并在低信噪比的情况下达到最先进的结果。
2014-10-14 cs.CV stat.ML
Spectral Unmixing via Data-guided Sparsity
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
高光谱解混是一项重要的任务，它是在每个像元上估计一组公共的光谱基及其相应的合成百分比的过程，用于高光谱分析、可视化和理解。从无监督学习的角度来看，这个问题是非常具有挑战性的-谱基和它们的合成百分比都是未知的，使得解空间太大。为了减少解空间，已经提出了许多方法，通过利用各种先验知识。在实践中，这些先验知识很容易导致一些不合适的解决方案。这是因为它们是通过对所有因素施加相同的约束强度来实现的，而这在实践中并不成立。为了克服这一局限性，我们提出了一种新的基于稀疏性的方法，通过学习数据引导的地图来描述每个像素的个人混合水平。通过该数据引导映射，以自适应方式应用$\ell_{p}(0<p<1)$约束。这种实现方式不仅符合实际情况，而且在高稀疏性约束下引导谱基向像素方向移动。此外，本文还提出了一种简洁的优化方案，并给出了其收敛性证明。在多个数据集上的实验也证明了数据引导映射的可行性，并且该方法可以获得高质量的解混结果。
2014-11-17 cs.CV
Effective Spectral Unmixing via Robust Representation and Learning-based Sparsity
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）
高光谱解混是高光谱应用的基础。由于离群通道的普遍存在和大的解决方案空间，它仍然是具有挑战性的。为了解决上述两个问题，我们提出了一种新的模型，强调鲁棒表示和基于学习的稀疏性。具体来说，我们应用$\ell_{2,1}$ -范数来测量表示误差，防止离群通道主导我们的目标。通过这种方式，极大地缓解了离群通道的副作用。此外，我们观察到，每个像素的混合水平不同的图像网格。基于这一观察，我们利用基于学习的稀疏性方法同时学习HU结果和稀疏的指导地图。通过该引导图，根据每个像素的学习混合水平自适应地施加$\ell_{p}\!\left(\!0\!<\! p\!\leq\!1\right)$范数中的稀疏约束。与现有方法相比，该模型更符合实际情况，从而有望取得更好的HU结果。所得到的目标是高度非凸和非光滑的，因此很难优化。作为一个深刻的理论贡献，我们提出了一个有效的算法来解决它，同时，收敛性证明和计算复杂性分析系统提供。广泛的评估验证，我们的方法是非常有前途的HU任务-它实现了非常准确的指导地图和更好的HU结果相比，国家的最先进的方法。
2017-08-26 cs.CV
An information theoretic formulation of the Dictionary Learning and Sparse Coding Problems on Statistical Manifolds
在这项工作中，我们提出了一个新的信息理论框架的字典学习（DL）和稀疏编码（SC）的统计流形（概率分布的流形）。与传统的DL和SC框架不同，我们的新配方{ \it不显式地将任何稀疏诱导范数的成本函数，但仍产生SC}。此外，我们将这个框架扩展到对称正定矩阵流形，$\mathcal{P}_n$。我们的算法近似的数据点，这是概率分布，由加权Kullback-Leibeler中心（KL中心）的字典原子。KL-中心是未知中心和其中心被寻找的集合的成员之间的最大KL-发散的最小化者。进一步，{ \it我们证明了这个KL-中心是字典原子的稀疏组合}。由于数据驻留在统计流形上，因此数据保真度项不能像向量空间数据的情况那样简单。因此，我们采用的测地线之间的距离的数据和稀疏近似的数据元素。使用加速梯度下降算法来最小化该成本函数。一组广泛的实验结果表明，我们提出的框架的有效性。我们提出了几个实验，涉及各种分类问题，在计算机视觉的应用。此外，我们证明了我们的算法的性能，通过比较它的几个国家的最先进的方法在分类精度和稀疏性。
2017-02-03 cs.CV
A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing Algorithm
Universidade Federal de Santa Catarina（圣卡塔琳娜联邦大学）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；CRAN（CRAN 研究中心）；Universidade Católica de Pelotas（佩洛塔斯天主教大学）
针对高光谱稀疏解混中端元变异、正则化计算复杂且对噪声敏感的问题，提出融合混合范数与多尺度空间正则化的束结构鲁棒算法，并通过启发式选择代表性估计提升可复现性。
2024-01-24 cs.CV eess.SP
Boosting Dictionary Learning with Error Codes
Izmir University of Economics（伊兹密尔经济大学）
在传统的基于稀疏表示的字典学习算法中，初始字典通常被假定为当前系统的适当代表。然而，情况可能并非如此，特别是在某些限于随机初始化的系统中。因此，基于这种不适当的模型的假定最优状态更新可能导致将被传达到连续迭代的不期望的效果。在本文中，我们提出了一个字典学习方法，其中包括一个一般的反馈过程，编码的中间错误留下了一个不太密集的初始学习尝试，然后相应地调整稀疏代码。实验结果表明，这样一个额外的步骤大大提高了收敛速度在高维情况下，也导致在随机初始化的情况下，更好的收敛状态。改进也扩大了更宽松的稀疏约束。
2017-01-15 cs.CV
Dictionary Integration using 3D Morphable Face Models for Pose-invariant Collaborative-representation-based Classification
Jiangnan University（江南大学）；University of Surrey（萨里大学）；Anyvision
本文提出了一种基于3DMM的字典集成算法，用于基于姿态不变协同表示的人脸分类。为此，我们首先将3DMM拟合到字典的2D人脸图像，以重建每个图像的3D形状和纹理。通过合并原始和渲染的虚拟样本以创建扩展字典，3D面部用于渲染具有任意姿态变化的多个虚拟2D面部图像以增强训练数据。其次，为了减少信息冗余的扩展字典和提高稀疏性的重建系数向量使用协作表示为基础的分类（CRC），我们利用一个在线消除计划，以优化扩展字典确定最具代表性的训练样本为给定的查询。最终的目标是执行姿态不变的人脸分类使用建议的字典集成方法和在线修剪策略下的CRC框架。一组著名的人脸数据集的实验结果表明，该方法的优点，特别是其鲁棒性的姿态变化。
2016-11-25 cs.CV
