نهج تعلم الفضاء الجزئي الخطي عن طريق الترميز المتناثر

19

الوصف

كتقنية شائعة لتقليل الأبعاد واستخراج الميزات ، تم استخدام تعلم الفضاء الجزئي الخطي (LSL) بنجاح في العديد من تطبيقات رؤية الكمبيوتر والتعرف على الأنماط ، على سبيل المثال ، التعرف على الوجوه على أساس المظهر (FR). تتضمن طرق LSL التمثيلية تحليل المكون الرئيسي (PCA) ، على سبيل المثال ، Eigenface ، تحليل التمايز الخطي فيشر (FLDA) ، إسقاط المحافظة على المنطقة القائمة على التعلم المتنوع (LPP) ، التضمين المميز المحلي (LDE) ، تضمين الرسم البياني ، إلخ. يتم استغلال معلومات تسمية الفئة لعينات التدريب ، ويمكن تصنيف طرق LSL إلى طرق غير خاضعة للإشراف (على سبيل المثال ، PCA و LPP) وطرق خاضعة للإشراف (مثل FLDA و LDA المنتظم (RLDA) و LDE).

في هذا المشروع ، اقترحنا طريقة جديدة لتعلم الفضاء الجزئي الخطي (LSL) عبر التشفير المتناثر وتجميع الميزات. تم تعلم قاموس قائم على التصحيح يحتوي على ذرات k لأول مرة من مجموعة التدريب. ثم يمكن أن تتحلل كل صورة تدريبية كمجموعة خطية من مكونات k.

تم تجميع هذه المكونات في جزأين: جزء أكثر تمييزًا (MDP) وجزء أقل تمييزًا (LDP). أخيرًا ، تم البحث عن فضاء فرعي خطي مرغوب فيه من خلال الحفاظ على مكون MDP مع إضعاف مكون LDP. أظهرت النتائج التجريبية على قواعد بيانات الوجه المعيارية أن طرق LSL المُحدثة بالتشفير المتناثر المقترحة تفوقت على العديد من طرق LSL التمثيلية والحديثة.

ref :

Zhang, Lei, Pengfei Zhu, Qinghua Hu, and David Zhang. “A linear subspace learning approach via sparse coding.” In Computer Vision (ICCV), 2011 IEEE International Conference on, pp. 755-761. IEEE, 2011.

الجمع بين الوسائل غير المحلية وأساليب التشفير المتناثرة لاستعادة الصورة

 

بايزي منظم متناثر الترميز في استعادة الصورة

المراجعات

لا توجد مراجعات بعد.

كن أول من يقيم “نهج تعلم الفضاء الجزئي الخطي عن طريق الترميز المتناثر”

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

رمز المنتج: P2018F150 التصنيفات: , الوسم: