針對組織病理圖像分類中樣本特征之間具有高度相關性的問題,本文提出了一種基于低秩約束的判別性字典學習算法,并將其應用于組織病理圖像分類.與傳統(tǒng)算法僅僅關注稀疏編碼的低秩性不同,本文算法不僅同時優(yōu)化了子字典對同類和非同類訓練樣本的重構性能,而且對類獨有的子字典增加了低秩性約束.這一策略可以降低類獨有的子字典原子之間的相似性,促進原子之間相互獨立,從而學習出更具判別性、結構更緊湊的字典.在ADL數(shù)據(jù)集上的實驗結果表明,與現(xiàn)有算法相比,本文提出的算法可獲得更高的分類精度. 

【文章來源】：小型微型計算機系統(tǒng). 2019,40(09)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

ＲCDDL算法整體流程Fig．1OverallflowoftheLＲCDDLalgorithm

【參考文獻】：
期刊論文
[1]基于互信息的多通道聯(lián)合稀疏模型及其組織病理圖像分類[J]. 湯紅忠,李驍,張小剛,張東波.  計算機輔助設計與圖形學學報. 2018(08)
[2]聯(lián)合字典魯棒稀疏表示的多聚焦圖像融合[J]. 楊勇,吳嘉驊,黃淑英,闕越.  小型微型計算機系統(tǒng). 2018(08)
[3]Fisher準則下面向判別性特征的字典學習方法及其組織病理圖像分類研究[J]. 湯紅忠,李驍,張小剛,張東波,王翔,毛麗珍.  自動化學報. 2018(10)
[4]一種基于低秩表示的子空間聚類改進算法[J]. 張濤,唐振民,呂建勇.  電子與信息學報. 2016(11)
[5]基于局部圖拉普拉斯約束的魯棒低秩表示聚類方法[J]. 李波,盧春園,冷成財,金連寶.  自動化學報. 2015(11)



本文編號：3253979