基于表示的分類方法（Representation-Based Classification Methods,RBCM）是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域中研究的熱點(diǎn)課題之一,在人臉識(shí)別、字符識(shí)別以及高光譜圖像分類等應(yīng)用中取得了優(yōu)異的性能,成為近年來(lái)研究較多的一類圖像分類方法。經(jīng)過(guò)十余年的快速發(fā)展,研究者們提出了大量的表示和分類方法,并應(yīng)用在不同領(lǐng)域。近年來(lái),隨著相關(guān)領(lǐng)域的發(fā)展,改進(jìn)的表示分類算法在圖像識(shí)別領(lǐng)域中展示出優(yōu)異的性能。然而,這些方法仍存在一些不足之處有待改進(jìn),比如如何利用訓(xùn)練樣本的結(jié)構(gòu)信息、多樣性和類別標(biāo)簽信息提取更加豐富以及具有鑒別性的特征,使得在分類階段使用簡(jiǎn)單的分類器就可以取得較好的識(shí)別性能;以及如何增強(qiáng)表示系數(shù)的稀疏性來(lái)提升識(shí)別率等等。本文從上述問(wèn)題著手并結(jié)合相關(guān)研究,提出幾種更加有效的表示分類算法。本文的主要工作概括如下:（1）提出了一種稀疏增強(qiáng)的加權(quán)協(xié)同表示分類（Sparsity Augmented Weighted Collabo-rative Representation-based Classification,SA-WCRC）算法。協(xié)同表示分類（Col-labor... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：111 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
        1.1.1 稀疏表示
        1.1.2 協(xié)同表示
        1.1.3 字典學(xué)習(xí)
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文使用的實(shí)驗(yàn)數(shù)據(jù)庫(kù)
    1.4 本文主要研究?jī)?nèi)容
    1.5 本文結(jié)構(gòu)安排
第二章 相關(guān)準(zhǔn)備知識(shí)
    2.1 基于稀疏性約束的表示分類方法
        2.1.1 SRC方法
        2.1.2 LSRC方法
        2.1.3 K-SVD算法
2范數(shù)約束的表示分類方法">    2.2 基于l₂范數(shù)約束的表示分類方法
        2.2.1 CRC方法
        2.2.2 TPTSR方法
2方法">        2.2.3 DSR-l₂方法
    2.3 基于非負(fù)約束的表示分類方法
        2.3.1 NRC方法的目標(biāo)函數(shù)
        2.3.2 NRC方法的求解
        2.3.3 NRC方法的分類方案
    2.4 基于融合表示的分類方法
    2.5 本章小結(jié)
第三章 稀疏增強(qiáng)的加權(quán)協(xié)同表示分類算法
    3.1 引言
    3.2 相關(guān)工作介紹
        3.2.1 嶺回歸問(wèn)題
        3.2.2 SA-CRC方法
    3.3 稀疏增強(qiáng)的加權(quán)協(xié)同表示分類方法
        3.3.1 SA-WCRC方法
        3.3.2 SA-WCRC方法的分析
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 Yale人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        3.4.3 Extended Yale B人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        3.4.4 AR人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        3.4.5 Scene 15場(chǎng)景數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        3.4.6 UCF體育動(dòng)作數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        3.4.7 實(shí)驗(yàn)結(jié)果分析
        3.4.8 參數(shù)敏感度分析
    3.5 本章小結(jié)
第四章 稀疏和協(xié)同競(jìng)爭(zhēng)表示乘性融合的分類算法
    4.1 引言
    4.2 相關(guān)工作介紹
        4.2.1 SCRC方法
        4.2.2 CCRC方法
    4.3 稀疏和協(xié)同競(jìng)爭(zhēng)表示乘性融合的分類方法
        4.3.1 SCCRC方法
        4.3.2 SCCRC方法的原理及其分析
1范數(shù)約束的協(xié)同競(jìng)爭(zhēng)表示分類方法">    4.4 （?）₁范數(shù)約束的協(xié)同競(jìng)爭(zhēng)表示分類方法
1方法的目標(biāo)函數(shù)">        4.4.1 CCRC-（?）₁方法的目標(biāo)函數(shù)
1方法的求解">        4.4.2 CCRC-（?）₁方法的求解
1方法的分類方案">        4.4.3 CCRC-（?）₁方法的分類方案
1方法的區(qū)別">        4.4.4 討論SCCRC方法與CCRC-（?）₁方法的區(qū)別
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 ORL人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        4.5.3 GT人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        4.5.4 FERET人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        4.5.5 Extended Yale B人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        4.5.6 XM2VTS人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        4.5.7 AR人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        4.5.8 圖像受噪聲污染時(shí)的實(shí)驗(yàn)結(jié)果
        4.5.9 統(tǒng)計(jì)顯著性檢驗(yàn)結(jié)果
        4.5.10 實(shí)驗(yàn)結(jié)果分析
        4.5.11 參數(shù)敏感度分析
    4.6 本章小結(jié)
第五章 高效的結(jié)構(gòu)化字典學(xué)習(xí)算法
    5.1 引言
    5.2 相關(guān)工作介紹
        5.2.1 D-KSVD算法
        5.2.2 LC-KSVD算法
        5.2.3 SDDL算法
    5.3 高效的結(jié)構(gòu)化字典學(xué)習(xí)算法
        5.3.1 ESDL算法的目標(biāo)函數(shù)
        5.3.2 ESDL算法的求解
        5.3.3 ESDL算法的分類方案
1范數(shù)約束的結(jié)構(gòu)化字典學(xué)習(xí)算法">    5.4 （?）₁范數(shù)約束的結(jié)構(gòu)化字典學(xué)習(xí)算法
1算法的目標(biāo)函數(shù)">        5.4.1 SDL-（?）₁算法的目標(biāo)函數(shù)
1算法的求解">        5.4.2 SDL-（?）₁算法的求解
1算法的分類方案">        5.4.3 SDL-（?）₁算法的分類方案
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 實(shí)驗(yàn)設(shè)置
        5.5.2 Extended Yale B人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        5.5.3 AR人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        5.5.4 PIE人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        5.5.5 LFW人臉數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        5.5.6 Scene 15場(chǎng)景數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)結(jié)果
        5.5.7 實(shí)驗(yàn)結(jié)果分析
        5.5.8 正則項(xiàng)及參數(shù)敏感度分析
    5.6 本文提出三種算法的實(shí)驗(yàn)結(jié)果與分析
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄:攻讀博士期間的主要工作


【參考文獻(xiàn)】：
期刊論文
[1]多稀疏表示分類器決策融合的人臉識(shí)別[J]. 唐彪,金煒,符冉迪,龔飛.  電信科學(xué). 2018(04)
[2]帶PCA卷積的稀疏表示圖像分類算法[J]. 魏明俊,許道云,徐夢(mèng)珂.  計(jì)算機(jī)工程與應(yīng)用. 2017(14)
[3]多尺度字典學(xué)習(xí)的高光譜圖像壓縮算法[J]. 徐大衛(wèi),張榮,吳倩.  遙感學(xué)報(bào). 2015(02)
[4]一種基于字典學(xué)習(xí)的壓縮感知視頻編解碼模型[J]. 郭繼昌,金卯亨嘉.  數(shù)據(jù)采集與處理. 2015(01)
[5]結(jié)構(gòu)約束和樣本稀疏表示的圖像修復(fù)[J]. 康佳倫,唐向宏,任澍.  中國(guó)圖象圖形學(xué)報(bào). 2013(11)
[6]基于低秩子空間恢復(fù)的聯(lián)合稀疏表示人臉識(shí)別算法[J]. 胡正平,李靜.  電子學(xué)報(bào). 2013(05)
[7]基于稀疏表示及光譜信息的高光譜遙感圖像分類[J]. 宋相法,焦李成.  電子與信息學(xué)報(bào). 2012(02)
[8]基于壓縮傳感的手寫字符識(shí)別方法[J]. 劉長(zhǎng)紅,楊揚(yáng),陳勇.  計(jì)算機(jī)應(yīng)用. 2009(08)
[9]一種基于超完備字典學(xué)習(xí)的圖像去噪方法[J]. 蔡澤民,賴劍煌.  電子學(xué)報(bào). 2009(02)
[10]嶺回歸分析在解決多重共線性問(wèn)題中的獨(dú)特作用[J]. 楊楠.  統(tǒng)計(jì)與決策. 2004(03)

碩士論文
[1]范數(shù)最優(yōu)化問(wèn)題的交替方向乘子算法[D]. 鐘軼君.大連理工大學(xué) 2013
[2]非負(fù)最小二乘問(wèn)題的算法研究[D]. 江瀟.南京航空航天大學(xué) 2009



本文編號(hào)：3154568