论文部分内容阅读
表示型学习作为近几年的理论研究热点,被广泛应用在需要特征识别的多种领域。虽然理论和实践上的不断创新解决了生活中的一些实际问题,但是在表示型学习领域仍存在一些挑战。1、现实中很多分类识别问题需要在繁多的类别中进行判断,类别数较多影响算法的识别性能,同时样本的类别信息没有得到充分利用;2、很多小样本的识别问题,样本数量少,样本空间不足,样本的所有特征和变化没能得到充分的运用。3、时间复杂度高,实际应用中在保持较好识别精度的同时不能满足合理的用时要求。针对以上不足,本文提出了三种新的表示型分类方法,具体工作如下:1、针对以往基于表示的分类（RBC）方法在类别数较多的数据集上性能不佳的问题,提出了一种自适应多阶段线性重构表示的分类（MPRBC）方法。在每一阶段,首先得到l1范数或l2范数正则化的重构表示系数,然后将表示系数按类求和,根据和的大小来选取相似类,并保留相似类中的全部样本作为下一阶段的训练样本。该策略最终产生具有高分类置信度的稀疏类概率分布,同时根据类系数的大小自适应选择相似的类,提高了分类计算的效率。2、表示型学习方法很多是建立在协同表示（CR）的基础上,但是CR是在样本的维度上进行表示,不能很好体现样本的类聚合性。基于概率协同表示的分类（PCRC）作为CRC的一种新的扩展,从样本类的维度来进行分类,具有天然的类聚合性。结合PCRC和多阶段方法,文中提出了多阶段概率协同表示分类（MPCRC）方法。该方法分多个阶段实现,每一阶段运用PCRC来缩小训练样本的范围,在最后一个阶段,通过较少且相似的类得到更为精确的分类效果。同时引入加权的思想,提出了多阶段加权概率协同表示分类（MWPCRC）方法,该方法对概率协同表示系数进行加权,权重由每个查询样本和所有训练样本之间的局部距离相似性确定。3、很多表示型学习方法更多关注同类样本的相似性,子空间投影（SP）中更多运用类间样本的差异性,但是这两者都忽视了类间样本的贡献性。引入类间贡献性可以完善样本空间,从而更精确地重构样本。文中结合非负表示和概率协同表示,精确地描述所有训练样本属于各类的概率,然后通过协同表示确定查询样本分类,这样可以充分利用所有样本的特征与变化。算法可以分为两部分,第一步,通过非负表示或概率协同表示获得训练样本的一张概率分布图;第二步,通过协同表示结合概率分布图加权最后确定查询样本分类。并且在文中通过加入对称脸扩充训练样本,提高识别性能,且在小样本数据集中,识别效果提升更明显。通过在不同数据集上的实验表明,本文提出的几种方法具有较好的识别性能,并且具有一定的实用意义。