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
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
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
Face Recognition via Locality Constrained Low Rank Representation and Dictionary Learning
Jiangnan University（江南大学）；Jiangsu Provincial Engineering Laboratory of Pattern Recognition and Computational Intelligence（江苏省模式识别与计算智能工程实验室）；University of Surrey（萨里大学）
人脸识别由于其在智慧城市应用中的重要性而得到了广泛的研究。然而，当训练图像和测试图像都被破坏时，情况没有得到很好的解决。针对这一问题，本文提出了一种局部约束的低秩表示和字典学习（LCLRRDL）算法，用于鲁棒的人脸识别。特别是，我们提出了三个贡献，在拟议的提法。首先，引入低秩表示来处理训练数据和测试数据的可能污染。其次，局部性约束的加入，以确认固有的流形结构的训练数据。通过引入局部性约束项，我们的方案使得相似的样本具有相似的表征。第三，学习一个紧凑的字典来处理损坏数据的问题。在两个公共数据库上的实验结果证明了该方法的有效性。我们提出的LCLRRDL的Matlab代码可以从https://github.com/yinhefeng/LCLRRDL下载。
2019-12-06 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
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
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
Learning zeroth class dictionary for human action recognition
Xiamen University of Technology（厦门理工学院）；Huazhong Agricultural University（华中农业大学）；Sun Yat-sen University（中山大学）
在本文中，歧视性的两阶段字典学习框架，提出了用于分类人类动作的稀疏形状表示，其中第一阶段的字典是学习所选择的歧视性框架和第二阶段的字典是建立识别使用重建错误的第一阶段字典作为输入特征。我们提出了一个“零级”的技巧，用于检测测试视频的无差别帧，并在对动作类别进行投票之前消除它们。基准测试的实验结果证明了该方法的有效性。
2016-09-28 cs.CV
Discriminative Dictionary Design for Action Classification in Still Images and Videos
Nanyang Technological University（南洋理工大学）；Indian Institute of Technology, Bombay（印度理工学院孟买分校）；Edinburgh Napier University（爱丁堡龙比亚大学）；Singapore University of Technology and Design（新加坡科技设计大学）
在本文中，我们解决的问题，从静止图像和视频的动作识别。传统的局部特征，如SIFT、STIP等，总是会带来两个潜在的问题：1）它们在给定类别的不同实体中的分布不均匀; 2）许多这样的特征并不排斥实体所表示的视觉概念。为了生成一个字典考虑到上述问题，我们提出了一种新的判别方法，用于识别鲁棒性和类别特定的局部特征，最大限度地提高类可分性在更大程度上。具体来说，我们提出的过滤为基础的特征选择问题，排名的基础上，一个新的独特性措施的每类本地功能的有效本地描述符的选择。随后基于学习的字典表示底层视觉实体，并且该阶段之后是使用随机森林模型的动作分类，之后是标签传播细化。该框架在基于静态图像（Stanford-40）和视频（UCF-50）的动作识别数据集上进行了验证，并表现出比文献中的代表性方法更优越的性能。
2020-06-06 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
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
Locality-aware Attention Network with Discriminative Dynamics Learning for Weakly Supervised Anomaly Detection
Communication University of China（中国传媒大学）
视频异常检测是一个弱监督下的多实例学习任务，每个视频被看作是一个片段包来判断是否包含异常。以前的努力主要集中在对片段本身的区分上，而没有对相邻片段的变化进行时间动态建模。因此，我们提出了一种具有两个目标函数的判别动力学学习（Discriminative Dynamics Learning，缩写为DNC）方法，即，动态排序损失和动态对准损失。前者旨在扩大积极和消极袋之间的分数动态差距，而后者执行袋内的特征动态和分数动态的时间对齐。此外，构建了一个局部感知注意力网络（LA-Net）来捕获全局相关性，并重新校准片段之间的位置偏好，然后使用具有因果卷积的多层感知器来获得异常分数。实验结果表明，我们的方法在两个具有挑战性的基准测试上取得了显着的改进，即，UCF-犯罪和XD-暴力
2022-08-11 cs.CV
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
Efficient Face Alignment via Locality-constrained Representation for Robust Recognition
South China University of Technology（华南理工大学）；Peking University（北京大学）；Shenzhen University（深圳大学）；Chinese Academy of Sciences（中国科学院）
在过去的几十年里，人们一直在研究实用的人脸识别，但仍然是一个开放的挑战。目前流行的方法已经在识别精度方面取得了实质性的突破。然而，如果人脸样本严重错位，它们的性能通常会急剧下降。为了解决这个问题，我们提出了一个高效的误识鲁棒局部约束表示（MRLR）算法，用于实际的实时人脸识别。具体地说，局部约束，激活最相关的原子和抑制不相关的，被应用于构建字典的人脸对齐。然后，我们同时对齐扭曲的脸，并更新局部约束字典，最终获得最终的对齐。此外，我们利用块结构来加速导出的解析解。在公共数据集上的实验结果表明，MRLR在效率和可扩展性方面明显优于几种最先进的方法，具有更好的性能。
2015-10-31 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
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
SSDL: Self-Supervised Dictionary Learning
China University of Petroleum (East China)（中国石油大学（华东））；Harbin Institute of Technology（哈尔滨工业大学）
标签嵌入式词典学习（DL）算法通过引入判别信息来生成有影响力的词典。然而，存在一个局限性：所有的标签嵌入DL方法依赖于标签，因为这种方式只能达到理想的性能在监督学习。而在半监督和无监督学习中，它不再足以有效。受自监督学习概念的启发（例如，设置借口任务以生成下游任务的通用模型），我们提出了一个自监督字典学习（SSDL）框架来解决这一挑战。具体来说，我们首先设计了一个$p$ -Laplacian注意超图学习（pAHL）块作为借口任务来生成DL的伪软标签。然后，我们采用伪标签训练一个字典从一个主要的标签嵌入DL方法。我们在两个人类活动识别数据集上评估我们的SSDL。与其他国家的最先进的方法的比较结果表明，SSDL的效率。
2021-12-03 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
DLDL: Dynamic Label Dictionary Learning via Hypergraph Regularization
College of Control Science and Engineering, China University of Petroleum (East China)（中国石油大学（华东）控制科学与工程学院）
对于分类任务，基于字典学习的方法近年来引起了广泛的关注。一种流行的方法来实现这一目的是引入标签信息来生成一个判别字典来表示样本。然而，与传统的字典学习相比，这类方法只在监督学习方面取得了显著的改进，对半监督或无监督学习的积极影响不大。为了解决这个问题，我们提出了一个动态标签字典学习（DLDL）算法来生成未标记数据的软标签矩阵。具体来说，我们采用超图流形正则化来保持原始数据，转换数据和软标签之间的关系一致。我们证明了所提出的DLDL方法的效率在两个遥感数据集。
2020-10-23 cs.CV
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
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
Sparse Dictionary-based Attributes for Action Recognition and Summarization
Center for Automation Research（自动化研究中心）；UMIACS（马里兰大学高级计算机研究所）；University of Maryland（马里兰大学）
提出了一种基于信息最大化的动作属性字典学习方法。我们将类分布和外观信息统一到一个目标函数中，用于学习动作属性的稀疏字典。目标函数最大化在每个字典原子的外观信息和类分布方面已经学习的内容和仍然要学习的内容之间的互信息。我们提出了一个高斯过程（GP）模型的稀疏表示优化字典的目标函数。稀疏编码属性允许GP中具有紧凑支持的内核实现非常有效的字典学习过程。因此，我们可以描述一个动作视频由一组紧凑和歧视性的动作属性。更重要的是，我们可以在稀疏特征空间中识别建模的动作类别，这可以推广到看不见的和未建模的动作类别。实验结果表明，我们的方法在动作识别和摘要的有效性。
2013-08-01 cs.CV
Adaptive Locality Preserving Regression
Guangdong University of Technology（广东工业大学）；Shenzhen University（深圳大学）；The Hong Kong Polytechnic University（香港理工大学）；The University of Queensland（昆士兰大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
本文提出了一种新的判别回归方法，称为自适应局部保持回归（ALPR）的分类。特别是，ALPR旨在学习一个更灵活和有区别的投影，不仅保留了数据的内在结构，但也具有特征选择和可解释性的属性。为此，我们引入了一个目标学习技术，自适应地学习一个更具鉴别力和灵活的目标矩阵，而不是预定义的严格的零-一标签矩阵回归。然后引入一个由自适应学习权值正则化的局部保持约束来指导投影学习，有利于学习更具鉴别力的投影，避免过拟合。此外，我们取代传统的“Frobenius范数”与特殊的l21范数约束的投影，这使得该方法能够自适应地选择最重要的功能，从原始的高维数据的特征提取。通过这种方式，可以极大地消除原始数据中的冗余特征和噪声的负面影响。此外，由于l21范数的行稀疏性，该方法对特征具有良好的可解释性。在流形结构的合成数据库和真实数据库上的实验证明了该方法的有效性。
2019-01-03 cs.AI cs.CV
Learning Discriminative Representation with Signed Laplacian Restricted Boltzmann Machine
University of Edinburgh（爱丁堡大学）；Sichuan University（四川大学）
我们研究了限制玻尔兹曼机（RBM）的歧视性表示学习的潜力。通过对RBM的隐藏层施加类信息保持约束，我们提出了一种用于监督判别式表示学习的符号拉普拉斯限制玻尔兹曼机（SLRBM）.该模型在利用标签信息的同时保持了数据点的全局数据局部性。在基准数据集上的实验结果表明了该方法的有效性。
2018-08-28 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
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
Locality Preserving Projections for Grassmann manifold
Beijing University of Technology（北京工业大学）；The University of Sydney（悉尼大学）；Dalian University of Technology（大连理工大学）
Grassmann流形上的学习在许多计算机视觉任务中得到了广泛的应用，它具有很强的图像和视频识别能力。然而，此类学习算法尤其是在高维Grassmann流形上的学习算法往往涉及到相当高的计算代价，严重限制了Grassmann流形学习在更广泛领域的适用性。在这项研究中，我们提出了一种基于局部保持投影（LPP）准则的格拉斯曼流形上的无监督降维算法。LPP是一种常用的向量值数据降维算法，旨在保持降维空间中数据的局部结构。其策略是构造一个从高维Grassmann流形到低维Grassmann流形的具有更强判别能力的映射。所提出的方法可以作为一个基本的特征值问题进行优化。我们所提出的方法的性能进行了评估，在几个分类和聚类任务和实验结果表明，它明显优于其他基于格拉斯曼算法。
2017-04-27 cs.CV
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
Sparse Coding and Dictionary Learning for Symmetric Positive Definite Matrices: A Kernel Approach
NICTA（澳大利亚国家信息与通信技术研究院）；University of Queensland（昆士兰大学）；Australian National University（澳大利亚国立大学）
最近的进展表明，广泛的计算机视觉问题可以更适当地解决考虑非欧几里德几何。本文研究了对称正定矩阵空间中的稀疏编码和字典学习问题，这些对称正定矩阵构成了一个黎曼流形。借助最近引入的Stein内核（与Bregman矩阵发散的对称版本有关），我们建议通过将黎曼流形嵌入到再生核Hilbert空间中来进行稀疏编码。这导致了Lasso问题的凸和核版本，可以有效地解决。此外，我们提出了一个算法学习黎曼字典（用于稀疏编码），紧密联系的斯坦内核。几个分类任务（人脸识别，纹理分类，人的重新识别）的实验表明，所提出的稀疏编码方法实现了显着的改善，在歧视的准确性，在比较国家的最先进的方法，如张量稀疏编码，黎曼局部保持投影，和局部特征的累积驱动。
2013-04-16 cs.CV cs.LG stat.ML
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
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
Convolutional Dictionary Learning via Local Processing
Technion - Israel Institute of Technology（以色列理工学院）
卷积稀疏编码（Convolutional Sparse Coding，CSC）是信号和图像处理领域中越来越流行的模型，它解决了传统的基于块的稀疏表示的一些局限性。虽然有几个作品已经解决了这个模型下的字典学习问题，这些依赖于ADMM制定在傅立叶域中，失去了地方感和传统的基于补丁的稀疏追求的关系。最近的一项工作提出了一种新的理论分析这个全球模型，提供保证，依赖于本地化的稀疏性措施。在这里，我们扩展了这种局部-全局关系，展示了如何有效地解决卷积稀疏追踪问题和训练所涉及的滤波器，同时在图像补丁上进行局部操作。我们的方法提供了一个直观的算法，可以利用标准的稀疏表示领域的技术。所提出的方法是快速训练，简单的实施，并足够灵活，它可以很容易地部署在各种应用。我们证明了所提出的训练计划的图像修补和图像分离，同时达到国家的最先进的结果。
2017-05-09 cs.CV
Label Embedded Dictionary Learning for Image Classification
China University of Petroleum（中国石油大学）
近年来，标签一致性k-svd（LC-KSVD）算法在图像分类中得到了成功的应用。LC-KSVD的目标函数由重构误差、分类误差和稀疏码鉴别误差组成，稀疏码鉴别误差带有L0范数稀疏正则项。然而，L0-范数导致NP-困难问题。尽管正交匹配追踪等方法可以在一定程度上解决这一问题，但要找到最优稀疏解是相当困难的。为了克服这一局限性，我们提出了一种标签嵌入字典学习（LEDL）方法，利用L1范数作为稀疏正则化项，这样我们就可以通过求解凸优化问题来避免难以优化的问题。然后利用乘子交替方向法和分块坐标下降算法对相应的目标函数进行优化。在6个基准数据集上的实验结果表明，与传统的分类算法相比，该算法具有更好的性能.
2019-04-17 cs.CV
