基于测试样本误差重构的协同表示分类方法

作     者：王俊茜 郑文先 徐勇 WANG Jun-qian;ZHENG Wen-xian;XU Yong

作者机构：哈尔滨工业大学(深圳)计算机科学与技术学院生物计算研究中心广东深圳518055 哈尔滨工业大学(深圳)深圳市视觉目标检测与判识重点实验室广东深圳518055 清华大学深圳国际研究生院广东深圳518055 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2020年第47卷第6期

页      面：104-113页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：广东省科技计划项目(2018B010108003) 深圳市科技创新委员会项目(ZDSYS20190902093015527,JSGG20190220153602271) 

主　　题：图像分类 模式识别 表示分类 协同表示 误差重构 

摘      要：基于协同表示的分类方法(Collaborative Representation-based Classification,CRC)在诸如人脸识别、物体识别等图像分类任务中取得了良好的效果。CRC利用范数正则化来解决测试样本的线性表示问题,以期得到一个较稳定的数值解。已有研究表明,正则化参数的选择对协同表示的数值稳定性起着非常重要的作用。文中提出了一种新的基于测试样本误差重构的协同表示分类方法(Test Sample Error Reconstruction Collaborative Representation-based Classification,TSER-CRC)。该方法首先利用较小的正则化参数计算出一个协同表示系数,使其重新构建测试样本,以削弱原始测试样本中的误差或减小原始测试样本与训练样本之间的不一致性;然后,利用较大的正则化参数,并基于重构出的测试样本再次求解协同表示系数,以得出数值较稳定的测试样本与各类别训练样本之间的关系,并以此对测试样本进行分类。该方法有效地减少了由所有训练样本构成的协同子空间所表示的测试样本中存在的误差和异常值,提高了协同表示编码系数的稳定性和图像分类的鲁棒性。通过在5个标准数据集上的实验结果表明,所提方法在图像分类精度方面明显优于传统CRC和其他一些经典的图像分类方法。