Cross-label Suppression: A Discriminative and Fast Dictionary Learning with Group Regularization
Tsinghua University（清华大学）
本文通过有效地学习一个紧凑的和有区别的字典来解决图像分类问题。给定一个结构化字典，每个原子（字典矩阵中的列）与一些标签相关，我们提出了交叉标签抑制约束，以扩大不同类别的表示之间的差异。同时，我们引入群正则化来强制表示以保持原始样本的标签属性，这意味着鼓励同一类的表示是相似的。在交叉标记抑制时，我们不求助于常用的$\ell_0$ -范数或$\ell_1$ -范数进行编码，并且在不损失分类的区分能力的情况下获得计算效率。此外，两个简单的分类方案也开发，以充分利用学习字典。在人脸识别、物体分类、场景分类、纹理识别和运动动作分类等6个数据集上进行了大量的实验，结果表明，该方法在识别精度和计算效率上均优于目前提出的许多字典算法。
2017-05-08 cs.CV cs.LG stat.ML
Joint Subspace Recovery and Enhanced Locality Driven Robust Flexible Discriminative Dictionary Learning
Hefei University of Technology（合肥工业大学）；Soochow University（苏州大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Queensland（昆士兰大学）
我们提出了一种基于子空间恢复和增强局部性的鲁棒柔性标签一致性字典学习方法，称为鲁棒柔性判别字典学习（RFOLD）。该算法主要通过增强对稀疏错误的鲁棒性，对局部性、重构错误和标签一致性进行更精确的编码，来提高数据的表示和分类能力。首先，为了对数据和原子中的噪声和稀疏错误具有鲁棒性，RFRST旨在联合恢复底层的干净数据和干净原子子空间，然后在恢复的子空间中执行DL并编码局部性。其次，为了使从非线性流形采样的数据能够潜在地处理，并通过避免过拟合来获得准确的重建，RFFLOW以灵活的方式最小化重建误差。第三，为了对标签一致性进行准确编码，RFRST涉及有区别的灵活稀疏码错误以鼓励系数变软。第四，为了更好地编码局部性，RFFNN定义了恢复原子上的拉普拉斯矩阵，包括原子在类内紧凑性和类间分离方面的标签信息，并与组稀疏码和分类器相关联，以获得准确的区分性局部约束系数和分类器。在公共数据库上的大量结果表明了我们的RFESTs的有效性。
2019-06-11 cs.CV cs.LG
KCRC-LCD: Discriminative Kernel Collaborative Representation with Locality Constrained Dictionary for Visual Categorization
Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）；South China University of Technology（华南理工大学）
我们考虑的图像分类问题，通过核协同表示分类局部约束字典（KCRC-LCD）。具体地说，我们提出了一种核协同表示分类（KCRC）的方法，在该方法中，核方法被用来提高协同表示分类（CRC）的区分能力。然后，我们测量的查询和原子之间的相似性，以构建一个局部约束字典（LCD）的KCRC。此外，我们还讨论了LCD中的几种相似性度量方法，并进一步提出了一种简单有效的统一相似性度量方法，其优越性在实验中得到了验证。LCD有几个吸引人的方面。第一，LCD可以很好地纳入九铁的架构内。在KCRC下，可以将LCD相似性度量核化，从而在核方法下从理论上将CRC和LCD联系起来。其次，KCRC-LCD变得更可扩展到训练集大小和特征维度。算例表明，KCRC能够很好地对具有一定分布的数据进行分类，而传统的CRC则完全失效。在许多公共数据集上的综合实验也表明，KCRC-LCD是一种鲁棒的判别分类器，具有优异的性能和良好的可扩展性，与许多其他最先进的方法相当或优于其他方法。
2014-10-17 cs.CV cs.LG
Structured Discriminative Tensor Dictionary Learning for Unsupervised Domain Adaptation
Nanjing University of Posts and Telecommunications（南京邮电大学）；Texas State University（得克萨斯州立大学）；University of Trento（特伦托大学）；Nanjing University of Science and Technology（南京理工大学）；University of Technology Sydney（悉尼科技大学）；Wuhan University（武汉大学）
无监督领域自适应（UDA）解决了在计算机视觉应用中常见的由于训练集和测试集之间的领域移位而导致的性能下降的问题。现有的UDA方法大多是基于矢量形式的数据，虽然在可视化应用中的数据或特征的典型格式是多维张量。此外，目前的方法，包括深度网络方法，假设提供了大量的标记源样本用于训练。然而，在实际应用中，标注源样本的数量总是有限的，由于昂贵的注释成本，使得次优性能被观察到。在本文中，我们提出了通过学习张量空间中的结构化字典来寻求多维数据的判别表示。该字典将领域信息和类信息分离，保证了表示对领域的鲁棒性。此外，为了避免外部分类器的设计，提出了一种伪标签估计方案，在算法迭代中结合判别分析。我们在有限的源样本的不同数据集上进行了广泛的结果。实验结果表明，该方法优于国家的最先进的方法。
2019-05-11 cs.CV cs.LG
Efficient Discriminative Nonorthogonal Binary Subspace with its Application to Visual Tracking
University of Maryland（马里兰大学）；Hewlett-Packard Laboratories（惠普实验室）；Nanjing University（南京大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
视觉跟踪中的一个关键问题是如何表示目标。传统的基于外观的跟踪器正在使用越来越复杂的特征，以保持鲁棒性。然而，复杂的表示通常不仅需要更多的计算用于特征提取，而且使状态推断复杂。我们表明，一个仔细的特征选择计划，非常简单，但歧视性的功能，可用于强大的目标跟踪。所提出的方法的中心组成部分是一个简洁的和歧视性的表示对象使用歧视性的非正交二进制子空间（DNBS），这是跨越Haar样功能。DNBS表示继承了原始NBS的优点，因为它有效地描述了对象。它还结合了判别信息来区分前景和背景。然而，从过完备字典中寻找DNBS基的问题是NP难的。我们提出了一个贪心算法，称为判别优化正交匹配追踪（D-OOMP）来解决这个问题。进一步提出了迭代D-OOMP算法，大大减少了迭代间的冗余计算，并采用分层选择策略，减小了特征的搜索空间。建议DNBS表示应用于通过基于SSD的模板匹配的对象跟踪。我们通过对具有挑战性的视频进行广泛的实验来验证我们的方法的有效性，并与几种最先进的跟踪器进行比较，并展示了其在杂乱和移动背景中跟踪对象的能力。
2015-09-28 cs.CV
Online Discriminative Dictionary Learning for Image Classification Based on Block-Coordinate Descent Method
Zhejiang University（浙江大学）
先前的研究已经证明，具有稀疏编码的字典学习框架（其中信号被分解为已学习字典的几个原子的线性组合）非常适合重建问题。该框架还被用于诸如图像分类的辨别任务。为了实现更好的分类性能，专家们开发了几种方法来以监督的方式学习判别字典。然而，另一个问题是，当数据规模变得非常大时，这些方法将不再有效，因为它们都是面向批处理的方法。为此，我们提出了一种新的在线判别式词典学习算法，在本文中被称为\textbf{ODDL}。首先，我们将线性分类器引入到传统的字典学习公式中，并导出一个判别式字典学习问题。然后，我们利用一个在线算法来解决衍生问题。与大多数现有的方法，更新字典和分类器交替通过迭代求解子问题，我们的方法直接探索他们联合。同时，它可以大大缩短训练的运行时间，也特别适合于大规模的分类问题。为了评估所提出的ODDL方法在图像识别中的性能，我们在三个著名的基准上进行了一些实验，实验结果表明ODDL对于图像分类任务是相当有前途的。
2012-03-05 cs.CV
Joint Learning of Discriminative Low-dimensional Image Representations Based on Dictionary Learning and Two-layer Orthogonal Projections
本文在语言描述上存在一些不足之处，需要进一步完善。本文是根据一份会议文件的修订版编写的。现在有必要进一步解释这两篇论文的贡献之间的差异。
2019-03-27 cs.CV
A Brief Summary of Dictionary Learning Based Approach for Classification (revised)
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文介绍了一些基于字典学习（DL）的分类方法。我们不回顾涉及DL分类的复杂方法或框架，例如在线DL和空间金字塔匹配（SPM），而是专注于直接基于DL的分类方法。这里，所谓的“直接基于DL的方法”是通过添加一些有意义的惩罚项来直接处理DL框架的方法。通过列举一些有代表性的方法，我们可以将其大致分为两类，即（1）直接使字典具有区分性和（2）强制稀疏系数具有区分性以提高字典的区分能力。从这个分类法，我们可以期待一些扩展，作为未来的研究。
2012-05-30 cs.CV cs.LG
Discriminative Robust Deep Dictionary Learning for Hyperspectral Image Classification
Indraprastha Institute of Information Technology, Delhi（因德拉普拉斯信息技术学院（德里））
这项工作提出了一个新的深度学习框架，特别适合高光谱图像分类。我们以一种健壮的方式学习多级字典。最后一层是判别式的，它学习线性分类器。训练过程是渐进式的，每次只学习一级字典，而系数用于训练下一级。最后一级的系数用于分类。鲁棒性通过最小化绝对偏差而不是更流行的欧几里德范数来实现。内置的鲁棒性有助于对抗高光谱图像中存在的混合噪声（高斯和稀疏）。结果表明，我们提出的技术优于所有其他深度学习方法深度信念网络（DBN），堆叠自动编码器（SAE）和卷积神经网络（CNN）。在基准高光谱成像数据集上进行了实验。
2019-12-11 cs.CV cs.LG eess.IV
Jointly Learning Non-negative Projection and Dictionary with Discriminative Graph Constraints for Classification
Shenzhen University（深圳大学）；Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）；Emory University（埃默里大学）
具有字典学习（DL）的稀疏编码已经显示出优异的分类性能。尽管有相当数量的现有作品，如何获得功能的字典可以更好地学习仍然是一个开放的和有趣的问题。许多当前流行的DL方法直接采用性能良好的精心制作的功能。虽然这种策略可能在经验上工作得很好，但它忽略了字典和特征之间的某些内在关系。我们提出了一个框架，其中的功能和字典共同学习和优化。该框架，名为联合非负投影和字典学习（JNPDL），使输入功能和字典之间的互动。非负投影导致基于部件的对象特征具有区分性，而DL寻求更合适的表示。判别图的约束，同时最大化类内的紧凑性和类间的可分性。在图像和图像集分类上的实验表明，JNPDL的性能优于几种最先进的方法。
2016-08-05 cs.CV
Discriminative Dictionary Learning based on Statistical Methods
School of Computer and Information Sciences, University of Hyderabad（海得拉巴大学计算机与信息科学学院）
本文探讨了利用统计方法改进字典学习以提升分类性能，提出混合方法结合稀疏系数与多层感知机，实现判别字典学习。
2021-11-17 cs.CV
Optimal Projections for Discriminative Dictionary Learning using the JL-lemma
本文提出基于JL引理的构造方法，通过改进的监督PCA分析生成投影矩阵，提升特征-标签一致性并保持数据几何结构，实验表明在OCR和人脸识别数据集上具有更好的分类性能。
2024-10-03 cs.CV cs.ET cs.LG
DFDL: Discriminative Feature-oriented Dictionary Learning for Histopathological Image Classification
Pennsylvania State University（宾夕法尼亚州立大学）；UT MD Anderson Cancer Center（UT MD安德森癌症中心）
在组织病理学图像分析中，由于组织学特征的多样性以及丰富的几何结构的存在，用于分类的特征提取是一项具有挑战性的任务。在本文中，我们提出了一个自动特征发现框架，用于提取区分类特定的功能，并提出了一种低复杂度的方法，用于组织病理学的分类和疾病分级。从本质上讲，我们的判别式面向词典学习（DFDL）方法学习类特定的特征，这些特征适合于表示来自同一类的样本，而不能表示来自其他类的样本。在三个具有挑战性的真实世界图像数据库上的实验：1）导管内乳腺病变的组织病理学图像，2）由宾夕法尼亚州立大学动物诊断实验室（ADL）提供的哺乳动物肺图像，和3）来自癌症基因组图谱（TCGA）数据库的脑肿瘤图像，显示了DFDL模型在各种问题中优于最先进方法的意义
2015-02-03 cs.CV
Deep Decision Trees for Discriminative Dictionary Learning with Adversarial Multi-Agent Trajectories
Queensland University of Technology (QUT)（昆士兰科技大学）
随着现代体育运动中时空跟踪数据可用性的爆炸式增长，在对抗性群体环境中更好地分析、学习和预测重要事件有着巨大的机会。在本文中，我们提出了一个深度决策树架构，用于从对抗性多智能体轨迹中进行判别字典学习。我们首先建立了一个层次结构的树结构，通过添加每一层，并执行特征权重为基础的聚类在向前通过。然后，我们使用反向传播来微调玩家角色权重。层次结构保证了群表示的可解释性和完整性。由此产生的架构是一个决策树，与叶节点捕获的多代理组交互的字典。由于有大量的数据可用，我们专注于足球跟踪数据，尽管我们的方法可以用于任何对抗性多智能体领域。我们提出的方法模拟足球比赛以及评估和量化团队策略的应用。
2018-05-14 cs.CV
Jointly Learning Structured Analysis Discriminative Dictionary and Analysis Multiclass Classifier
Soochow University（苏州大学）；ETH Zürich（苏黎世联邦理工学院）；National University of Singapore（新加坡国立大学）
本文提出了一种基于分析机制的结构化分析判别式词典学习（ADDL）框架。ADDL将分析判别式词典学习、分析表示和分析分类器训练无缝集成到一个统一的模型中。所应用的分析机制可以确保不同类的学习字典、表示和线性分类器尽可能独立和有区别。该字典是通过最小化重建误差和分析不一致促进项，鼓励与不同类的子字典是独立的。为了获得表示系数，ADDL对编码系数施加稀疏l2，1-范数约束而不是使用l0或l1-范数，因为在大多数现有DL准则中应用的l0或l1-范数约束使得训练阶段耗时。通过最小化稀疏码近似项，计算从给定样本中提取特殊特征的码提取投影，将数据与稀疏码连接起来。然后，我们计算一个线性分类器的基础上的近似稀疏码的分析机制，同时考虑的分类和表示的权力。因此，我们的模型的分类方法是非常有效的，因为它可以避免额外的时间消耗稀疏重建过程与训练的字典为每个新的测试数据作为大多数现有的DL算法。在真实图像数据库上的仿真结果表明，我们的ADDL模型可以获得优于其他国家的最先进的性能。
2019-05-27 cs.CV
Histopathological Image Classification using Discriminative Feature-oriented Dictionary Learning
Pennsylvania State University（宾夕法尼亚州立大学）；University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
在组织病理学图像分析中，由于组织学特征的多样性以及丰富的几何结构的存在，用于分类的特征提取是一项具有挑战性的任务。在本文中，我们提出了一个自动特征发现框架，通过学习类特定的字典，并提出了一个低复杂度的方法，在组织病理学的分类和疾病分级。从本质上讲，我们的判别式面向词典学习（DFDL）方法学习类特定的词典，使得在稀疏性约束下，学习的词典允许通过与样本的类标识对应的词典来吝啬地表示新的图像样本。同时，字典被设计成不能很好地表示来自其他类的样本。在三个具有挑战性的真实世界图像数据库上进行的实验：1）导管内乳腺病变的组织病理学图像，2）由宾夕法尼亚州立大学动物诊断实验室（ADL）提供的哺乳动物肾脏，肺和脾脏图像，以及3）来自癌症基因组图谱（TCGA）数据库的脑肿瘤图像，揭示了我们的建议优于最先进的替代方案的优点。{此外，我们证明了DFDL在分类准确性方面对训练图像的数量表现出更优雅的衰减，这在实践中是非常可取的，其中慷慨的训练通常不可用。
2016-03-29 cs.CV
Discriminative Local Sparse Representation by Robust Adaptive Dictionary Pair Learning
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；YITU Technology（依图科技）
本文提出了一种结构化的Robust Adaptive Dictionary Pair Learning（RA-DPL）框架，用于离散稀疏表示学习。为了实现可用样本的强大表示能力，RA-DPL的设置无缝集成了鲁棒的投影字典对学习，局部自适应稀疏表示和判别编码系数学习到一个统一的学习框架。具体来说，RA-DPL在四个方面改进了现有的投射词典对学习。首先，采用稀疏l2，1-范数度量对重构误差进行编码，得到鲁棒的投影字典对，并且l2，1-范数具有最小化误差的潜力.其次，该算法在分析字典中明确地引入了鲁棒的l2，1范数，以保证编码系数的稀疏性，而不是使用代价高昂的l0/l1范数。因此，数据表示的鲁棒性和学习过程的效率被共同考虑，以保证我们的RA-DPL的效率。第三，RA-DPL构思了一个结构化的重构权重学习范例，以自适应的方式清晰地保持每个类内编码系数的局部结构，这鼓励产生局部保持表示。第四，它还考虑通过引入鉴别函数来提高编码系数和字典的鉴别能力，这可以确保代码空间中的高类内紧凑性和类间分离。大量的实验表明，我们的RA-DPL可以获得优于其他国家的最先进的性能。
2019-11-20 cs.CV
Scalable Block-Diagonal Locality-Constrained Projective Dictionary Learning
Hefei University of Technology（合肥工业大学）；Soochow University（苏州大学）；University of Queensland（昆士兰大学）；University of Georgia（佐治亚大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；ETH Zurich（苏黎世联邦理工学院）
我们提出了一种新的结构化判别块对角字典学习方法，称为可扩展的局部约束投影字典学习（LC-PDL），有效的表示和分类。为了通过节省训练和测试时间来提高可扩展性，我们的LC-PDL旨在学习结构化的判别字典和块对角表示，而不使用昂贵的l0/l1范数。此外，它避免了额外的时间消耗稀疏重建过程与训练好的字典新的样本，许多现有的模型。更重要的是，LC-PDL避免了使用互补数据矩阵来学习每个类的子字典。为了提高性能，我们将局部约束的原子到DL过程中，以保持本地信息，并获得代码的样本在每个类分别。通过提取数据的特殊块对角特征，推导出块对角判别逼近项，学习判别投影，将数据与其编码连接起来，保证逼近系数与其标签信息清晰地关联。然后，一个强大的多类分类器进行训练提取的块对角码准确的标签预测。实验结果验证了该算法的有效性。
2019-05-25 cs.CV
Locality Constraint Dictionary Learning with Support Vector for Pattern Classification
Jiangnan University（江南大学）；Anqing Normal University（安庆师范大学）
判别式字典学习（Discriminative Dictionary Learning，缩写为Dictionary）由于其在各种模式分类任务中令人印象深刻的性能，最近受到了极大的关注。然而，原子的局部性并没有充分探讨在传统的分类方法，阻碍了他们的分类性能。在本文中，我们提出了一个局部约束字典学习与支持向量判别项（LCDL-SV），其中的局部信息是通过使用学习字典的图拉普拉斯矩阵来保持。为了在训练阶段共同学习分类器，将支持向量判别项并入所提出的目标函数中。此外，在分类阶段，测试数据的身份是由正则化的残差和学习的多类支持向量机。最后，利用替代策略解决由此产生的优化问题。基准数据库上的实验结果表明，我们提出的方法优于以前的字典学习方法的手工制作和深度功能。我们提出的LCDL-SV的源代码可以在https://github.com/yinhefeng/LCDL-SV上访问
2019-11-22 cs.CV
Structure-Aware Classification using Supervised Dictionary Learning
Technion - Israel Institute of Technology（以色列理工学院）
在本文中，我们提出了一个监督字典学习算法，旨在保持局部几何在两个维度的数据。基于图的正则化明确考虑了数据点的局部流形结构。第二个图正则化对特征域进行了类似的处理，并有助于学习更强大的字典。这两个图都可以从训练数据构建，或者沿着字典学习过程学习和调整。这两个术语的组合促进了学习的稀疏表示的区分能力，并导致改进的分类精度。该方法在几个不同的数据集上进行了评估，代表单标签和多标签分类问题，与其他基于字典的方法相比，表现出更好的性能。
2016-09-29 cs.CV cs.LG
A Brief Summary of Dictionary Learning Based Approach for Classification
本文介绍了一些基于字典学习（DL）的分类方法。我们不回顾涉及DL分类的复杂方法或框架，例如在线DL和空间金字塔匹配（SPM），而是专注于直接基于DL的分类方法。这里，所谓的“直接基于DL的方法”是通过添加一些有意义的惩罚项来直接处理DL框架的方法。通过列举一些有代表性的方法，我们可以将其大致分为两类，即（1）直接使字典具有区分性和（2）强制稀疏系数具有区分性以提高字典的区分能力。从这个分类法，我们可以期待一些扩展，作为未来的研究。
2012-05-30 cs.CV
Information-theoretic Dictionary Learning for Image Classification
University of Maryland（马里兰大学）
我们提出了一个两阶段的方法学习字典的对象分类任务的基础上的原则，信息最大化。所提出的方法寻求一个字典，是紧凑的，歧视性的，和生成。在第一阶段，字典原子选择从一个初始的字典通过最大化的互信息措施字典紧凑性，歧视和重建。在第二阶段中，使用关于互信息的简单梯度上升算法更新所选择的字典原子以用于改进的重构和区分能力。使用真实数据集的实验表明，我们的方法的有效性图像分类任务。
2012-08-17 cs.CV cs.IT math.IT
A multi-class structured dictionary learning method using discriminant atom selection
FICH（FICH学院）；UNL（国立拉普拉塔大学）；CONICET（阿根廷国家科学与技术研究理事会）；FIQ（FIQ学院）
在过去的十年中，传统的字典学习方法已经成功地应用于各种模式分类任务。虽然这些方法产生对失真和丢失数据鲁棒的信号的稀疏表示，但是如果最终目标是信号分类，则这种表示经常被证明是不合适的。为了克服或至少减弱这样的弱点，近年来出现了几种新的方法，这些方法将判别信息引入稀疏诱导模型。特别是，判别式字典学习的方法已被证明比传统的方法更准确（在信号分类方面），传统的方法只专注于最小化总表示误差。在这项工作中，我们提出了一种新的多类判别措施和创新的字典学习方法。对于一个给定的字典，这种新的措施，它不仅考虑到当一个特定的原子被用于表示来自某个类的信号和其相应的表示系数的大小，而且这种原子在总的表示误差的影响，是能够有效地量化的程度的可辨别性的每一个原子。另一方面，新的字典构造方法产生的字典是非常适合多类分类任务。我们的方法进行了测试，广泛使用的数据库的手写数字识别，并与三个国家的最先进的分类方法进行比较。结果表明，我们的方法显着优于其他三个实现良好的识别率，此外，降低了分类器的计算成本。
2018-12-04 cs.CV cs.LG stat.ML
Learning Discriminative Alpha-Beta-divergence for Positive Definite Matrices (Extended Version)
Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；Data61/CSIRO（澳大利亚联邦科学与工业研究组织 Data61）；The Australian National University（澳大利亚国立大学）；University of Minnesota（明尼苏达大学）
对称正定（SPD）矩阵对于捕获视觉数据的二阶统计量非常有用。为了比较两个SPD矩阵，可以使用几种度量，如仿射不变黎曼度量、Jeffreys散度、Jensen-Bregman logdet散度等;然而，它们的行为可能依赖于应用程序，从而需要手动选择以实现最佳可能性能。此外，由于它们对于大规模问题的压倒性的复杂性，通过巧妙地嵌入SPD矩阵来计算成对相似性通常优于直接使用上述措施。在本文中，我们提出了一个判别度量学习框架，信息发散和字典学习（IDDL），它不仅可以自动学习SPD矩阵上的应用特定度量，还可以使用学习的字典将它们嵌入为向量。为了学习相似性度量（对于每个字典原子可能是不同的），我们使用最近引入的alpha-beta-logdet散度，它被称为统一上面列出的度量。我们提出了一个新的IDDL目标，学习的分歧和字典原子的参数共同在一个歧视性的设置，并有效地解决了使用黎曼优化。我们展示了对八个计算机视觉数据集的广泛实验，展示了最先进的性能。
2017-08-05 cs.CV
New Interpretable Patterns and Discriminative Features from Brain Functional Network Connectivity Using Dictionary Learning
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；Tri-institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（三校神经影像与数据科学转化研究中心（TReNDS））；Georgia State University（佐治亚州立大学）；Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）
多主题功能磁共振成像（fMRI）数据的独立成分分析（ICA）已被证明是有用的，在提供一个完全的多变量摘要，可用于多种目的。ICA可以识别模式，可以区分健康对照（HC）和各种精神障碍，如精神分裂症（Sz）的患者。时间功能网络连通性（tFNC）可以有效地解释大脑网络之间的相互作用。另一方面，字典学习（DL）通过使用稀疏性，使用可学习的基础信号来发现数据中隐藏的信息。在本文中，我们提出了一种新的方法，利用ICA和DL识别直接可解释的模式来区分HC和Sz组。我们使用多个主题的静息态fMRI数据从$358$主题和形式的主题特定的tFNC特征向量ICA的结果。然后，我们学习tFNC的稀疏表示，并从学习的原子中引入一组新的稀疏特征以及新的可解释模式。我们的实验结果表明，新的表示不仅导致HC和Sz组之间使用稀疏特征的有效分类，但也可以从学习的原子，可以帮助理解精神疾病，如精神分裂症的复杂性识别新的可解释的模式。
2022-11-10 cs.CV cs.LG q-bio.NC
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
Block-Diagonal Sparse Representation by Learning a Linear Combination Dictionary for Recognition
在基于稀疏表示的识别方案中，学习所需的字典是关键，目的是获得良好的表示能力和区分性能。在本文中，我们提出了一个新的字典学习模型的识别应用程序，其中采用三种策略，同时实现这两个目标。首先，在模型中引入块对角约束，以消除类间的相关性，提高判别性能。其次，采用一个低秩项来模拟类内的一致性，以细化每个类的稀疏表示。最后，而不是使用传统的过完备字典，一个特定的字典构造的训练样本的线性组合，提出了提高字典的代表性的权力，并提高稀疏表示模型的鲁棒性。该方法在几个公共数据集上进行了测试。实验结果表明，该方法优于大多数国家的最先进的方法。
2016-11-28 cs.CV
Joint Projection and Dictionary Learning using Low-rank Regularization and Graph Constraints
University of Alberta（阿尔伯塔大学）
在本文中，我们的目标是同时学习判别字典和一个强大的投影矩阵从噪声数据。联合学习，使学习的投影和字典更好地相互适应，因此可以获得更准确的分类。然而，目前流行的联合降维和字典学习方法，将失败时，训练样本是噪声或严重损坏。为了解决这个问题，我们提出了一个联合投影和字典学习使用低秩正则化和图约束（JPDL-LR）。具体地说，字典的判别是通过对编码系数施加Fisher准则来实现的。此外，我们的方法显式编码的局部结构的数据，通过合并一个图形正则化项，进一步提高了判别能力的投影矩阵。受低秩表示去除离群值和噪声的最新进展的启发，我们对所有类的子字典实施低秩约束，使它们更加紧凑和鲁棒。在多个基准数据集上的实验结果验证了该方法在降维和图像分类方面的有效性和鲁棒性，特别是当数据包含大量噪声或变化时。
2016-12-06 cs.CV
Analysis Dictionary Learning based Classification: Structure for Robustness
North Carolina State University（北卡罗来纳州立大学）；Raytheon Integrated Defense Systems（雷神综合防御系统公司）
提出了一种判别式结构化分析字典的分类任务。在传统的分析字典学习中引入子空间并结构，以提高判别能力。一个简单的分类器也同时被纳入制定功能，以确保更完整的一致性分类。该算法的解是有效地获得了线性交替方向法的乘子。此外，分布式结构化分析字典学习也提出了解决大规模数据集。它可以通过不同的机器/核/线程对结构化分析字典进行独立的分组（分类）训练，从而避免了高的计算成本。在分布式方法中，一致性结构化分析字典和全局分类器联合学习，以保证分类的区分能力和效率。实验表明，我们的方法实现了可比的或更好的性能比国家的最先进的算法在各种视觉分类任务。此外，训练和测试的计算复杂性也大大降低。
2019-06-27 cs.CV
Discriminative Feature and Dictionary Learning with Part-aware Model for Vehicle Re-identification
Dalian Maritime University（大连海事大学）；Information Science and Technology College, Department of Computer Science and Technology（计算机科学与技术学院、信息科学与技术学院）
随着智慧城市的发展，城市监控视频分析将在智能交通系统中发挥更重要的作用。从非重叠相机中识别大数据集中的同一目标车辆应该受到重视，这已经成为推动智能交通系统的热门话题。然而，车辆重新识别（re-ID）技术是一项具有挑战性的任务，因为相同设计或制造商的车辆显示相似的外观。为了填补这些空白，我们通过提出基于三重中心损失的部分感知模型（TCPM）来解决这一挑战，该模型利用车辆部分细节中的判别特征来提高车辆重新识别的准确性。基于零件发现的TCPM是从水平和垂直两个方向对车辆进行划分，以加强车辆的细节，增强零件的内部一致性。此外，为了消除车辆局部区域的类内差异，我们提出了外部存储模块来强调每个部分的一致性，以学习区分特征，从而形成数据集中所有类别的全局字典。在TCPM中，引入三重中心损失，以确保车辆特征提取的每一部分具有类内一致性和类间可分性。实验结果表明，我们提出的TCPM有一个巨大的偏好比现有的国家的最先进的方法对基准数据集VehicleID和VeRi-776。
2020-03-16 cs.CV eess.IV
Deep Boosting: Joint Feature Selection and Analysis Dictionary Learning in Hierarchy
Sun Yat-sen University（中山大学）；Huizhou University（惠州学院）
受深度神经网络最近成功的启发，这项工作研究了如何将传统的图像分类管道扩展到深度架构中。我们提出了一个基于逐层联合特征提升和字典学习的深度提升框架。在每一层中，我们通过组合下层的过滤器来构建过滤器字典，并使用联合判别生成公式迭代优化图像表示，即最小化经验分类误差加上训练图像上分析图像生成的正则化。为了优化，我们执行两个迭代步骤：i）为了最小化分类误差，使用温和的adaboost算法选择最具鉴别力的特征; ii）根据特征选择，使用梯度下降方法更新滤波器以最小化分析图像表示的正则化。一旦优化收敛，我们就以同样的方式学习更高层的表示。我们的模式提供了几个明显的优势。首先，我们的逐层优化提供了构建非常深入的架构的可能性。第二，生成的图像表示是紧凑和有意义的。在几个视觉识别任务中，我们的框架优于现有的最先进的方法。
2015-08-11 cs.CV cs.LG cs.NE
Learning Discriminative Bayesian Networks from High-dimensional Continuous Neuroimaging Data
University of Wollongong（伍伦贡大学）；University of Adelaide（阿德莱德大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
由于其因果语义，贝叶斯网络（BN）已被广泛用于发现潜在的数据关系的探索性研究，如大脑的研究。尽管BN在建模变量的概率分布方面取得了成功，但它本质上是一个生成模型，不一定具有判别性。这可能会导致忽略微妙但关键的网络变化，这些变化具有跨人群的调查价值。本文从两个不同的角度提出了改进BN模型对连续变量的判别能力的方法。这为高斯贝叶斯网络（GBN）带来了两个通用的判别学习框架。在第一个框架中，我们使用Fisher核来连接GBN的生成模型和支持向量机的判别分类器，通过最小化支持向量机的泛化误差界，将GBN参数学习转化为Fisher核学习。在第二个框架中，我们采用最大边际准则，并直接建立在GBN模型上，以显式优化GBN的分类性能。两个框架的优点和缺点进行了讨论和实验比较。这两种算法都能有效地学习GBN的判别参数，并保持合理的表征能力。本文的贡献还包括一个新的有向无环图（DAG）的约束，从理论上保证了GBN的图的有效性。
2015-06-23 cs.CV cs.LG
Bayesian Nonparametric Dictionary Learning for Compressed Sensing MRI
Xiamen University（厦门大学）；Columbia University（哥伦比亚大学）；Ryerson University（瑞尔森大学）
我们开发了一种贝叶斯非参数模型，用于从高度欠采样的k空间数据重建磁共振图像（MRI）。我们将字典学习作为图像重建过程的一部分。为此，我们使用beta过程作为非参数字典学习先验，用于将图像补丁表示为字典元素的稀疏组合。除了其他字典学习变量之外，还可以从数据中推断字典的大小和特定于补丁的稀疏模式。字典学习直接在压缩图像上执行，因此适合于所考虑的MRI。此外，我们研究了与字典学习模型相结合的总变差惩罚项，并展示了字典学习的去噪特性如何消除对噪声环境中正则化参数的依赖。我们推导出一个随机优化算法的基础上马尔可夫链蒙特卡罗（MCMC）的贝叶斯模型，并使用交替方向的乘数法（ADMM）有效地执行总变差最小化。我们提出了几个MRI上的经验结果，这表明所提出的正则化框架可以提高重建精度比其他方法。
2014-07-26 cs.CV physics.med-ph stat.AP
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
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
Deep Dictionary Learning with An Intra-class Constraint
Jiangsu University（江苏大学）；The University of Sydney（悉尼大学）；University of Electronic Science and Technology of China（电子科技大学）；Sichuan University（四川大学）
近年来，深度字典学习（Deep Dictionary Learning，简称DCL）由于其在表示学习和视觉识别方面的有效性而引起了人们的极大关注。然而，大多数现有的方法都集中在无监督的深度字典学习上，未能进一步探索类别信息。为了充分利用不同样本的类别信息，我们提出了一种新的具有类内约束的深度字典学习模型（DDLC）用于视觉分类。具体来说，我们在不同层次上对中间表示设计了类内紧凑性约束，以鼓励类内表示彼此更接近，最终学习的表示变得更具区分性。与传统的递归方法不同，在分类阶段，我们的DDLIC以类似于训练阶段的方式执行逐层贪婪优化。在四个图像数据集上的实验结果表明，该方法优于现有的方法。
2022-07-14 cs.CV cs.LG
Multiple Instance Dictionary Learning using Functions of Multiple Instances
University of Missouri（密苏里大学）
提出了一种基于多实例函数的多实例字典学习方法（DL-FUMI），用于解决训练标签不准确的目标检测和两类分类问题。给定不准确的训练标签，DL-FUMI学习一组目标字典原子，这些原子描述了真阳性类的最独特和最具代表性的特征，以及一组非目标字典原子，这些原子解释了在阳性和阴性实例中发现的共享信息。实验结果表明，DL-FUMI发现的估计目标字典原子是更有代表性的原型，并确定更好的判别功能的真阳性类比现有的方法在文献中。DL-FUMI被证明有显着更好的性能在几个目标检测和分类问题相比，其他多实例学习（MIL）字典学习算法的各种MIL问题。
2016-08-03 cs.CV cs.LG stat.ML
Buried object detection using handheld WEMI with task-driven extended functions of multiple instances
University of Missouri（密苏里大学）
许多有效的监督判别字典学习方法已经在文献中开发。然而，当训练这些算法时，需要训练数据的精确地面实况以提供非常准确的逐点标签。然而，在许多应用中，准确的标签并不总是可行的。这在其中物体的尺寸不一致的掩埋目标检测的情况下尤其如此。在本文中，一个新的多实例字典学习算法检测埋地物体使用手持WEMI传感器的详细说明。新算法，任务驱动的扩展函数的多个变量，可以克服数据，没有非常精确的逐点标签，仍然学习一个高度判别字典。测量的WEMI数据的结果进行了介绍和讨论。
2016-03-19 cs.CV
Kernel Task-Driven Dictionary Learning for Hyperspectral Image Classification
Pennsylvania State University（宾夕法尼亚州立大学）；Army Research Laboratory（陆军研究实验室）
字典学习算法已经成功地用于重建和判别任务，其中输入信号由几个字典原子的线性组合表示。虽然这些方法通常是在输入域中的$\ell_1$稀疏约束（先验）下开发的，但最近的研究已经证明了在核域中使用结构化稀疏先验的稀疏表示的优点。提出了一种核域有监督字典学习算法用于高光谱图像分类。在所提出的配方中，字典和分类器联合获得最佳的分类性能。监督配方是任务驱动的，并提供了学习功能的高光谱数据，非常适合分类任务。此外，该算法使用联合（$\ell_{12}$）稀疏性之前，强制相邻像素之间的合作。仿真结果表明了所提出的字典学习算法的有效性。
2015-02-10 cs.CV cs.LG stat.ML
When Dictionary Learning Meets Deep Learning: Deep Dictionary Learning and Coding Network for Image Recognition with Limited Data
University of Trento（特伦托大学）；Peking University（北京大学）；Shenzhen Lingxi Artificial Intelligence Co., Ltd（深圳灵犀人工智能有限公司）
我们提出了一种新的深度字典学习和编码网络（DDLCN），用于有限数据的图像识别任务。所提出的DDLCN具有大多数标准深度学习层（例如，输入/输出、池化、完全连接等），但是基本卷积层被我们提出的复合字典学习和编码层所取代。字典学习为输入训练数据学习过完备字典。在深层编码层，增加了局部性约束，以保证激活的字典基彼此接近。然后，激活的字典原子被组装并传递到复合字典学习和编码层。以这种方式，第一层中的激活原子可以由第二字典中更深的原子表示。直观地，第二字典被设计为学习输入字典原子之间共享的细粒度组件，从而可以获得字典原子的更有信息性和区分性的低级表示。我们将DDLCN与几种领先的字典学习方法和深度学习模型进行了实证比较。在5个流行数据集上的实验结果表明，在训练数据有限的情况下，DDLCN与现有方法相比具有很好的性能.代码可在https://github.com/Ha0Tang/DDLCN上获得。
2020-05-21 cs.CV cs.LG eess.IV
Supervised Convolutional Sparse Coding
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））
卷积稀疏编码（CSC）是一种成熟的图像表示模型，特别适用于图像复原任务。在这项工作中，我们通过提出一种有监督的卷积稀疏编码方法来扩展该模型的适用性，该方法旨在学习判别字典而不是纯粹的重建字典。我们将监督正则化项纳入传统的无监督CSC目标，以鼓励最终的字典元素是有区别的。实验结果表明，使用监督卷积学习有两个关键优势。首先，我们在字典中学习更多语义相关的过滤器，其次，我们在看不见的数据上实现了改进的图像重建。
2018-04-08 cs.CV
Class specific or shared? A cascaded dictionary learning framework for image classification
China University of Petroleum (Huadong)（中国石油大学（华东））
字典学习方法可以分为：i）类特定字典学习ii）类共享字典学习。这两个类别之间的区别在于如何使用判别信息。对于第一类，不同类的样本被映射到不同的子空间，这导致了类特定基向量的一些冗余。而对于第二类，每个特定类别中的样本无法准确描述。在本文中，我们首先提出了一种新的类共享字典学习方法命名为标签嵌入字典学习（LEDL）。它是在LCKSVD基础上的改进，更容易找到最优解。在此基础上，提出了一种新的分类框架--级联字典学习框架（CDLF），将特定字典学习与共享字典学习相结合来描述特征，充分提高分类性能。在六个基准数据集上的大量实验结果表明，与几种最先进的分类算法相比，我们的方法能够实现更优越的性能。
2020-10-23 cs.CV
End-to-End Fine-Grained Action Segmentation and Recognition Using Conditional Random Field Models and Discriminative Sparse Coding
Johns Hopkins University（约翰霍普金斯大学）；University of Virginia（弗吉尼亚大学）；Comcast AI Research（康卡斯特人工智能研究）
细粒度的动作分割和识别是一项重要而又具有挑战性的任务。给定一个长的，未修剪的运动数据序列，任务是在每个时间帧的动作分类和分段的时间序列到正确的动作序列。在本文中，我们提出了一种新的框架，结合了时间条件随机场（CRF）模型与一个强大的帧级表示基于歧视性稀疏编码。我们引入了一个端到端的算法，共同学习的CRF模型，其中包括动作分类和动作转换成本的权重，以及一个过度完整的字典中级动作原语。这导致CRF模型由稀疏编码特征驱动，该稀疏编码特征使用在不同动作之间共享并适应于结构化输出学习任务的判别字典获得。我们使用来自JIGSAWS数据集的运动学数据在三个手术任务上评估我们的方法，以及使用来自50个沙拉数据集的加速度计数据在食物准备任务上评估我们的方法。我们的研究结果表明，该方法的性能等同于或优于国家的最先进的方法。
2018-01-29 cs.CV
Hybrid CNN and Dictionary-Based Models for Scene Recognition and Domain Adaptation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）；National University of Singapore（新加坡国立大学）
卷积神经网络（CNN）在许多不同的视觉任务中取得了最先进的性能。从大规模训练数据集中学习，CNN特征比手工制作的特征更具区分力和准确性。此外，CNN特征也可以在不同的域之间转移。另一方面，传统的基于字典的特征（如BoW和SPM）包含更多的局部判别和结构信息，这些信息被隐式地嵌入到图像中。为了进一步提高性能，在本文中，我们提出了结合CNN与基于字典的模型的场景识别和视觉领域自适应。具体地，基于良好调整的CNN模型（例如，AlexNet和VGG Net），进一步构建了两种基于字典的表示，即中层局部表示（MLR）和卷积Fisher向量表示（CFV）。在MLR中，一种有效的两阶段聚类方法，即，对单个图像的部分进行加权空间和特征空间谱聚类，然后对所有图像的所有代表部分进行聚类，用于生成类混合或类特定部分字典。之后，部分字典用于与多尺度图像输入一起操作以生成中级表示。在CFV中，利用多尺度和尺度比例GMM训练策略来基于CNN的最后一个卷积层生成Fisher向量。通过融合MLR、CFV和全连通层的CNN特征的互补信息，在场景识别和领域自适应问题上可以达到最先进的性能。一个有趣的发现是，我们提出的混合表示（来自ImageNet上训练的VGG网络）也与GoogLeNet和/或VGG-11（在Place 205上训练）有很大的互补性。
2016-01-29 cs.CV
Discriminative Localized Sparse Representations for Breast Cancer Screening
Delaware State University（特拉华州立大学）
乳腺癌是发达国家和发展中国家妇女中最常见的癌症。乳腺癌的早期发现和诊断可以降低其死亡率，提高生活质量。计算机辅助检测（CADx）和计算机辅助诊断（CAD）技术已显示出减少人类专家阅读负担并提高结果准确性和可重复性的前景。稀疏分析技术已经产生了用于表示和识别成像模式的相关结果。在这项工作中，我们提出了一种方法标签一致的空间局部化Encoding稀疏分析（LC-SLESA）。在这项工作中，我们将字典学习应用到我们的基于块的稀疏分析方法中，以将乳腺病变分类为良性或恶性。我们的方法与LC-KSVD字典学习相结合的性能在MIAS数据集上使用10倍，20倍和30倍交叉验证进行评估。我们的研究结果表明，提出的稀疏分析可能是一个有用的组成部分，乳腺癌筛查应用。
2020-11-20 cs.CV eess.IV
The Informed Sampler: A Discriminative Approach to Bayesian Inference in Generative Computer Vision Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Microsoft Research Cambridge（微软研究院剑桥实验室）
计算机视觉是困难的，因为在照明，形状和纹理的大的可变性;此外，图像信号是非加性的，由于闭塞。生成模型承诺通过准确地将图像形成过程建模为具有先前信念的潜变量的函数来解释这种可变性。贝叶斯后验推理原则上可以解释观察结果。虽然直观上很吸引人，但由于后验推理的困难，计算机视觉的生成模型在很大程度上未能实现这一承诺。因此，社区倾向于有效的歧视性做法。我们仍然相信生成模型在计算机视觉中的有用性，但认为我们需要利用现有的判别式甚至启发式计算机视觉方法。我们实现这一想法的原则性的方式与“知情的采样器”，并在仔细的实验中证明它具有挑战性的生成模型，其中包含渲染程序作为其组件。我们专注于倒置现有的图形渲染引擎的问题，一种方法，可以被理解为“逆图形”。知情的采样器，使用简单的判别建议的基础上现有的计算机视觉技术，实现了显着的改进的推理。
2015-03-07 cs.CV cs.LG stat.ML
Supervised Dictionary Learning
INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE（法国国家信息与自动化研究所）
稀疏信号模型非常适合于恢复任务，并且可以有效地从音频，图像和视频数据中学习。最近的研究旨在学习判别稀疏模型，而不是纯粹的重建模型。本文提出了一个新的步骤，在这个方向上，一个新的稀疏表示属于不同类别的信号在一个共享的字典和多个类决策函数。所提出的模型的线性变体承认一个简单的概率解释，而其最一般的变体承认在内核方面的解释。一个优化框架，学习所提出的模型的所有组件，以及标准的手写数字和纹理分类任务的实验结果。
2008-09-18 cs.CV
Collaborative representation-based robust face recognition by discriminative low-rank representation
Jiangnan University（江南大学）
我们考虑的鲁棒人脸识别的问题，其中的训练和测试样本可能会损坏，因为伪装和遮挡。传统的子空间学习方法和最近提出的基于稀疏表示的分类（SRC）的性能可能会下降时，损坏的训练样本提供。另外，由于稀疏性约束，基于稀疏性的方法是耗时的。为了在一定程度上缓解上述问题，在本文中，我们提出了一个歧视性的低秩表示方法的协作表示为基础（DLRR-CR）的鲁棒人脸识别。DLRR-CR不仅获得了一个干净的字典，它进一步迫使不同类的子字典是尽可能独立的，通过引入一个结构不相干正则化项。同时，可以学习一个低秩投影矩阵，以消除测试样本中可能的腐败。在我们提出的方法，具有封闭形式的解决方案，利用基于协作表示的分类（CRC）方法。在公开人脸数据库上的实验结果验证了该方法的有效性和鲁棒性。
2019-12-17 cs.CV cs.LG
Locality Constrained Analysis Dictionary Learning via K-SVD Algorithm
School of Computer Science（计算机学院）
近年来，分析字典学习（ADL）及其分类应用得到了很好的发展，由于其灵活的投影能力和低分类复杂度。通过学习得到的分析字典，可以将测试样本转化为稀疏子空间，从而有效地进行分类。然而，在分析字典中，样本数据的潜在局部性很少被探索，以提高分类器的区分能力。本文提出了一种新的局部约束分析字典学习模型和综合K-SVD算法（SK-LADL）。它考虑了内在的几何属性，通过施加图正则化来揭示图像数据的几何结构。通过学习的分析字典，我们将图像转换到一个新的，紧凑的空间，其中流形假设可以进一步保证。这样，图像的局部几何结构可以在稀疏表示系数中得到保持。此外，SK-LADL模型迭代求解的综合K-SVD和梯度技术。图像分类的实验结果验证了我们的SK-LADL模型的性能优越性。
2021-04-29 cs.CV
Deep Micro-Dictionary Learning and Coding Network
University of Trento（特伦托大学）；Hong Kong Polytechnic University（香港理工大学）；Lingxi Artificial Intelligence Co., Ltd（灵汐人工智能有限公司）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Oxford（牛津大学）；Texas State University（得克萨斯州立大学）
在本文中，我们提出了一种新的深度微字典学习和编码网络（DDLCN）。DDLCN具有大多数标准的深度学习层（池化、完全、连接、输入/输出等）。但主要区别在于基本卷积层被新的复合字典学习和编码层所取代。字典学习层学习用于输入训练数据的过完备字典。在深层编码层，增加了局部性约束，以保证激活的字典基彼此接近。接下来，激活的字典原子被组装在一起，并传递到下一个复合字典学习和编码层。以这种方式，第一层中的激活原子可以由第二字典中更深的原子表示。直观地，第二个字典被设计为学习输入字典原子之间共享的细粒度组件。以这种方式，可以获得字典原子的更具信息性和区分性的低级表示。我们实证比较了建议的DDLCN与几种字典学习方法和深度学习架构。在四个流行的基准数据集上的实验结果表明，所提出的DDLCN实现了竞争力的结果相比，国家的最先进的方法。
2018-12-25 cs.CV
Generalized Adaptive Dictionary Learning via Domain Shift Minimization
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
视觉数据驱动的字典已经成功地用于各种对象识别和分类任务。然而，如果训练数据和测试数据来自对比域，则任务变得更具挑战性。在本文中，我们提出了一种新的和广义的方法来学习一个自适应和共同的字典多个领域。准确地说，我们将来自不同域的数据投影到低维空间，同时保留来自每个域的数据的内在结构。我们还最小化了每对域的数据之间的域移位。同时，我们学习一个共同的自适应字典。我们的算法也可以修改，以学习可用于分类的类特定的字典。我们还提出了一种判别式流形正则化，它将类别特定特征的内在结构强加给稀疏系数。图像分类的实验表明，我们的方法比现有的国家的最先进的方法更好的票价。
2014-10-31 cs.CV
Low-rank representations with incoherent dictionary for face recognition
Jiangsu GuoGuang Electronic Information Technology Co., Ltd.（江苏国光信息产业股份有限公司）；Jiangnan University（江南大学）
人脸识别一直是计算机视觉领域的研究热点，而训练图像和测试图像同时被破坏是人脸识别的一个难题。在本文中，我们提出了一种新的半监督方法的基础上的低秩矩阵恢复人脸识别的理论，它可以同时学习的歧视性低秩和稀疏表示的训练和测试图像。为此，我们提出的方法来学习一个不连贯的字典的制定引入相关惩罚项。在多个人脸图像库上的实验结果证明了该方法的有效性，该方法对光照、表情和姿态变化，以及具有诸如块遮挡或均匀噪声的噪声的图像具有鲁棒性。
2019-12-10 cs.CV
Learning efficient structured dictionary for image classification
Jiangnan University（江南大学）
近年来，基于字典学习的方法在模式分类领域取得了成功。在本文中，我们提出了一种有效的结构化字典学习（ESDL）方法，该方法同时考虑了训练样本的多样性和标签信息。具体而言，ESDL将替代训练样本引入字典学习过程。为了提高分类的代表系数的鉴别能力，一个理想的正则化项被纳入ESDL的目标函数。此外，与传统的DL方法施加计算昂贵的L1范数约束的系数矩阵，ESDL采用L2范数正则化项。在基准数据库（包括四个人脸数据库和一个场景数据集）上的实验结果表明，ESDL优于以前的DL方法。更重要的是，ESDL可以应用于广泛的模式分类任务。
2020-05-08 cs.CV eess.IV
SAHDL: Sparse Attention Hypergraph Regularized Dictionary Learning
China University of Petroleum (East China)（中国石油大学（华东））
近年来，注意力机制对基于超图的神经网络有着重要的贡献。然而，这些方法随着网络传播而更新注意力权重。也就是说，这种类型的注意力机制只适用于基于深度学习的方法，而不适用于传统的机器学习方法。本文提出了一种基于超图的稀疏注意力机制来解决这个问题，并将其嵌入到字典学习中。更具体地说，我们首先构建一个稀疏的注意力超图，资产注意力权重的样本采用$\ell_1$ -范数稀疏正则化挖掘样本特征之间的高阶关系。然后，我们引入了超图拉普拉斯算子来保持字典学习中子空间变换的局部结构。此外，我们将判别信息融入到超图中，作为样本聚集的指导。与以前的工作不同，我们的方法独立更新注意力权重，不依赖于深度网络。我们证明了我们的方法在四个基准数据集上的有效性。
2020-10-23 cs.CV
