资料下载
如何使用弹性网和直方图相交进行非负局部稀疏编码
分享资料个
针对稀疏编码模型在字典基的选择时忽略了群效应，且欧氏距离不能有效度量特征与字典基之间距离的问题，提出基于弹性网和直方图相交的非负局部稀疏编码方法（ EH-NLSC）。首先，在优化函数中引入弹性网模型，消除字典基选择数目的限制，能够选择多组相关特征而排除冗余特征，提高了编码的判别性和有效性。然后，在局部性约束中引入直方图相交，重新定义特征与字典基之间的距离，确保相似的特征可以共享其局部的基。最后采用多类线性支持向量机进行分类。在4个公共数据集上的实验结果表明，与局部线性约束的编码算法（LLC）和基于非负弹性网的稀疏编码算法（NENSC）相比，EH-NLSC的分类准确率分别平均提升了10个百分点和9个百分点，充分体现。了其在图像表示和分类中的有效性。
图像分类是计算机视觉领域的-一个重要研究方向，广泛应用于生物特征识别、网络图像检索和机器人视觉等领域，其关键在于如何提取特征对图像有效表示。稀疏编码是图像特征表示的有效方法。考虑到词袋（ Bag of Words， BoW ）模型“1和空间金字塔匹配（ Spatial Pyramid Matching， SPM）模型21容易造成量化误差，Yang等3结合SPM模型提出利用，稀疏编码的空间金字塔的图像分类算法（SpatialPyramidMatching using Sparse Coding， ScSPM），在图像的不同尺度上进行稀疏编码，取得了较好的分类效果。在稀疏编码模型中，由于l1范数在字典基选择时只考虑稀疏性而忽略了群体效应，Zou等［4］提出一-种新的正则化方法，将弹性网作为正则项和变量选择方法。Zhang等5］提出判别式弹性网正则化线性回归。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
