基于稀疏表示的模式分类算法及其应用研究

来源 :南京理工大学 | 被引量 : 0次 | 上传用户:liu554802016
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
基于稀疏表示的分类算法在多种模式分类任务上都展现出了巨大的潜能,如人脸识别、动作识别、医学图像分类等,受到了国内外专家学者的广泛关注。本文主要针对三种不同的稀疏表示分类算法及它们在模式分类上的应用开展了研究。具体而言,本文的研究工作包括以下三个方面:(1)基于lp-范数的广义稀疏表示分类算法及其应用研究。广义稀疏表示模型包含两个可变稀疏惩罚参数,本文通过将广义阈值函数嵌入到增广拉格朗日方法来进行求解。通过实验研究了不同p值、不同维度的特征对分类准确率的影响,并在地表分类的应用上进行了实验。此外,通过在地表图像测试样本中加入随机噪声,探索了不同模型参数对分类鲁棒性的影响。(2)基于Fisher鉴别稀疏表示的分类算法及其应用研究。Fisher字典学习算法通过在目标函数中引入Fisher鉴别准则的思想,增强了稀疏表示系数的鉴别性。本文重点研究了该方法在动作识别上的分类性能,首先对动作视频序列提取了基于局部运动模式的时空特征并运用随机投影法进行降维,然后进行Fisher鉴别字典学习,最后利用稀疏表示系数和重构残差值来进行分类。实验结果验证了其在人体动作识别上的有效性和鲁棒性。(3)基于概率模型的稀疏表示分类算法及其应用研究。本文对原始SRC模型的分类机制进行了深入分析,提出了基于概率的稀疏表示模型及其分类算法,推导出的模型和SRC模型相一致,从而从概率角度解释了稀疏表示分类模型的分类机理。本文将所提算法在ADNI数据集上进行了实验,主要研究了 AD vs.NC的分类问题,结果表明所提算法具有较好的性能;此外对假设检验得到的最具鉴别性的脑区进行了分类研究,实验结果验证了找到的鉴别性脑区是正确有效的。
其他文献
图像分割、特征聚类和特征类匹配是图像处理与视觉计算领域的重要研究内容。本文探讨图像分割、特征聚类及特征类匹配方法及其在人脸图像和糖尿病视网膜病变图像上的应用。本
近几年来,数字图像在我们的生活和工作中扮演着越来越重要的角色。同时随着数字图像处理软件的发展,人们可以轻易地篡改数字图像而不留下明显的篡改痕迹。如果篡改图像被应用
大数据时代,数据的爆炸导致人类需要处理的信息越来越多。在计算机视觉领域,如何准确而又高效地从海量的图像中提取有用的信息越来越来越重要。在这样背景下,图像显著性检测
随着智能移动终端设备的迅速发展,智能手机,平板电脑等已经成为了人们生活中必不可少的一部分。移动互联网和移动应用在给我们的生活带来便利的同时也给服务器推送技术带来了
文本定位作为场景图像文本信息处理的重要模块,具有十分重要的实际应用价值和理论研究意义。经过最近十几年的发展,自然场景图像中文本定位技术取得了一定的进展;然而,由于场
随着社会的发展,基于位置的服务(Location-based Service)得到了广泛的应用,由此产生了各种复杂的空间文本数据,传统的数据库查询技术无法进行有效处理,因此如何提供各种高效
火焰、烟雾和焰火等自然界典型的不规则模糊景物,很难采用传统的建模方法进行模拟。粒子系统是迄今为止模拟和生成模糊景物最为成功的一种模型。焰火的品种繁多,色彩炫丽多变
人脸的检测与识别在诸如视频监控和人脸图像数据库管理等应用中发挥着关键作用。本文研究了人脸识别和检测技术,并为之开发了相应的算法。在人脸识别中,所使用的算法是主成分
随着信息技术的发展,信息技术已经成为支撑教育教学的主要手段,从教师备课、上课、到学生学习、再到学校管理,以及行政部门对学校的管理等等方面都已经离不开信息技术。围场
教育信息化背景下,在线学习平台得到了广泛利用,随之增长的还有学习者在线学习过程中所产生的数据,这些海量数据让学习者面临着“信息过载”和“信息迷航”的困境。如何在海