首页> 正文

稀疏表示分类的模型、量化指标体系及应用

2020-12-06阅读(499)

稀疏表示分类的模型、量化指标体系及应用

论文摘要

稀疏表示是一种基于过完备字典的稀疏编码技术.在当前大数据时代下,高维数据的稀疏表示因为具有良好的数学基础,并且不需要学习与训练,得到了蓬勃的发展,成为图像处理与计算机视觉等领域的研究热点之一.由Wright等人提出的基于稀疏表示的分类(Sparse Representation Based Classification,SRC)是典型的基于正投影的稀疏表示分类模型,被用于人脸识别并取得了良好的效果.之后,SRC受到广泛关注并应用于其他领域中,并且在SRC的基础上,出现了很多改进的稀疏表示分类模型.随着稀疏表示理论的不断发展,稀疏表示分类模型广泛应用于很多领域,在实际应用中也有很多不同的稀疏表示分类模型可以选择,而如何评价各种稀疏表示分类模型,目前还没有综合测量的完整量化指标系统,在数学中,我们重视的是模型的建立、算法的设计,而在实际应用中无法明白如何选择合适的分类模型,所以构建量化指标体系是很有必要的.基于此,本学位论文对稀疏表示分类模型从投影方式的角度进行分类,并基于现有稀疏表示分类模型,提出了一种基于反投影的协同空间稀疏表示分类模型,进而构建了一套从特征表示学习到分类的量化指标体系,并用于人脸识别和肿瘤识别领域.主要工作概括如下:(1)对稀疏表示分类模型从投影方式的角度进行分类.具体的,将稀疏表示分类模型按照投影方式分为基于正投影的稀疏表示分类模型和基于反投影的稀疏表示分类模型,依照表示空间、先验信息、分类准则的不同分别介绍其特点,并且介绍几种经典的稀疏表示分类模型.(2)提出了一种基于反投影的协同空间稀疏表示分类模型.考虑充分利用未标记样本所蕴含的信息的基础上,加入同类训练样本作为协同表示,并构建了一种基于反投影的协同空间稀疏表示模型.采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)完成模型的优化求解,并进行了收敛性分析.最后,在国际公开的一个两类数据库和一个多类数据库上验证了模型的有效性.(3)对稀疏表示分类模型的衡量和选择构建了一套量化指标体系.稀疏表示分类主要分两个主要阶段:表示阶段和分类阶段,从这两个方面入手,定义了一个比较完整的量化指标体系来全面地衡量稀疏表示分类的性能,将稀疏表示分类的性能量化,为如何选择合适的稀疏表示分类提供了一个客观的参考依据,使在实际应用中可以直观地根据需求进行选择.(4)将稀疏表示分类模型和量化指标体系用于人脸识别和肿瘤识别上.在六个国际公开的数据库上进行实验,既验证了稀疏表示分类模型的性能,又展示了量化指标体系对稀疏表示分类模型的性能进行衡量和选择的可行性和有效性.

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 研究背景及意义
  •   1.2 国内外研究现状
  •   1.3 本文的工作安排
  • 第二章 正投影稀疏表示分类模型
  •   2.1 正投影稀疏表示空间
  •   2.2 基于不同先验信息的正投影稀疏表示模型
  •   2.3 正投影稀疏表示分类模型的分类准则
  •   2.4 本章小结
  • 第三章 反投影稀疏表示分类模型
  •   3.1 反投影稀疏表示空间
  •   3.2 基于不同先验信息的反投影稀疏表示模型
  •   3.3 反投影稀疏表示模型的分类准则
  •   3.4 本章小结
  • 第四章 基于反投影的协同空间稀疏表示分类模型
  •   4.1 模型的构建
  •   4.2 模型的优化
  •   4.3 收敛性分析
  •   4.4 基于协同空间稀疏表示的分类
  •   4.5 CSSRC的分类性能
  •   4.6 本章小结
  • 第五章 稀疏表示分类的量化指标体系
  •   5.1 表示阶段
  •     5.1.1 类别集中度指标
  •     5.1.2 类别分布指标
  •   5.2 分类阶段
  •     5.2.1 排除外来样本
  •     5.2.2 分类精度指标
  •     5.2.3 分类稳定性指标
  •   5.3 本章小结
  • 第六章 稀疏表示分类的应用
  •   6.1 表示阶段
  •     6.1.1 类别集中度
  •     6.1.2 类别分布指标
  •   6.2 分类阶段
  •     6.2.1 排除外来样本
  •     6.2.2 分类精度
  •     6.2.3 分类稳定性
  •   6.3 本章小结
  • 总结与展望
  • 参考文献
  • 附录A 数据库
  • 致谢
  • 攻读硕士期间撰写的学术论文
  • 攻读硕士期间获奖及荣誉情况
  • 攻读硕士期间参与的科研项目

    • 文章来源

    类型: 硕士论文

    作者: 田晨曦

    导师: 杨晓慧

    关键词: 稀疏表示分类,反投影,量化指标体系,表示性能,分类性能,人脸识别,肿瘤识别

    来源: 河南大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术

    单位: 河南大学

    分类号: TP18;O157.4

    总页数: 67

    文件大小: 4341K

    下载量: 83

    相关论文文献

    • [1].基于稀疏表示的拉普拉斯稀疏字典图像分类（英文）[J]. Frontiers of Information Technology & Electronic Engineering 2017(11)
    • [2].改进稀疏表示的人脸识别在高校管理中的应用[J]. 计算机与数字工程 2018(11)
    • [3].基于稀疏表示的联合多通道肌电信号手势识别[J]. 微型机与应用 2017(17)
    • [4].基于类内稀疏表示的人脸识别[J]. 科技展望 2015(32)
    • [5].一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J]. 生物医学工程研究 2016(01)
    • [6].基于局部敏感核稀疏表示的视频跟踪[J]. 电子与信息学报 2016(04)
    • [7].信号稀疏表示下的空域-极化域参数估计[J]. 吉林大学学报(工学版) 2020(03)
    • [8].基于卷积稀疏表示的图像融合方法[J]. 导航与控制 2020(02)
    • [9].基于对称正定流形潜在稀疏表示分类算法[J]. 软件学报 2020(08)
    • [10].高光谱遥感影像稀疏表示与字典学习分类研究[J]. 地理与地理信息科学 2019(01)
    • [11].基于稀疏表示理论的优化算法综述[J]. 测绘地理信息 2019(04)
    • [12].改进稀疏表示算法在人脸识别中的应用[J]. 计算机工程与应用 2019(14)
    • [13].基于字典学习和局部约束的稀疏表示人脸识别[J]. 电脑知识与技术 2018(05)
    • [14].基于典型相关性分析的稀疏表示目标追踪[J]. 电子与信息学报 2018(07)
    • [15].非负谱稀疏表示的高光谱成像中的异常检测[J]. 红外与激光工程 2016(S2)
    • [16].基于分类冗余字典稀疏表示的图像压缩方法[J]. 计算机工程 2017(09)
    • [17].基于自步学习的加权稀疏表示人脸识别方法[J]. 计算机应用 2017(11)
    • [18].改进的两阶段协作稀疏表示分类器[J]. 南阳理工学院学报 2016(02)
    • [19].基于低秩分解的联合动态稀疏表示多观测样本分类算法[J]. 电子学报 2015(03)
    • [20].复杂场景下声频传感器网络核稀疏表示车辆识别[J]. 西安电子科技大学学报 2015(04)
    • [21].基于非负稀疏表示的遮挡人耳识别[J]. 计算机辅助设计与图形学学报 2014(08)
    • [22].一种局部敏感的核稀疏表示分类算法[J]. 光电子.激光 2014(09)
    • [23].基于多重核的稀疏表示分类[J]. 电子学报 2014(09)
    • [24].基于信号稀疏表示的形态成分分析:进展和展望[J]. 电子学报 2009(01)
    • [25].卷积稀疏表示图像融合与超分辨率联合实现[J]. 光学技术 2020(02)
    • [26].高光谱图像分类的融合分层深度网络联合稀疏表示算法[J]. 模式识别与人工智能 2020(04)
    • [27].基于稀疏表示的球面梯度下降算法[J]. 浙江理工大学学报(自然科学版) 2020(05)
    • [28].基于核稀疏表示的多模身份识别算法[J]. 电子设计工程 2019(01)
    • [29].基于混合基的稀疏表示响应面构建方法[J]. 电脑知识与技术 2019(15)
    • [30].自适应融合局部和全局稀疏表示的图像显著性检测[J]. 计算机应用 2018(03)

    标签：;  ;  ;  ;  ;  ;  ;  

    稀疏表示分类的模型、量化指标体系及应用
    下载Doc文档

    猜你喜欢

    © 2025 神降笔 版权所有 鄂ICP备12018319号-6