检索结果-内蒙古大学图书馆

系统工程与电子技术 2025年第1期47卷 94-100页

作者：孟洋周国如李洁张冰尘中国科学院空天信息创新研究院北京100094 中国科学院空间信息处理与应用系统技术重点实验室北京100190 中国科学院大学电子电气与通信工程学院北京100049

基于字典学习的合成孔径雷达(synthetic aperture radar,SAR)稀疏微波成像方法面对多类别目标时,字典中存在冗余信息导致成像准确性降低,针对此问题提出一种基于结构化字典学习(structured dictionary learning,SDL)的判别稀疏微波成像... 详细信息

基于字典学习的合成孔径雷达(synthetic aperture radar,SAR)稀疏微波成像方法面对多类别目标时,字典中存在冗余信息导致成像准确性降低,针对此问题提出一种基于结构化字典学习(structured dictionary learning,SDL)的判别稀疏微波成像方法。首先,利用SDL面向多类别目标训练获得包含多个子字典的结构化字典,每个子字典对应特定类别目标。其次,结合结构化字典构建判别稀疏微波成像模型,处理过程中根据不同子字典对目标的表征误差进行判别。最后,根据判别结果选择对应类别子字典进行成像。实验结果表明,与现有的成像方法相比,所提算法在降采样的条件下能够更好地抑制伪影模糊,提高成像的准确性。

关键词：结构化字典学习合成孔径雷达稀疏微波成像稀疏表征

来源：评论

学校读者我要写书评

暂无评论

基于块结构化字典学习的稀疏表示图像识别

基于块结构化字典学习的稀疏表示图像识别

引用

作者：乃科中南大学

学位级别：硕士

作为计算机视觉和模式识别领域的一个热点课题，图像识别被应用于公共安全、国防军事、农业和日常生活等许多方面。基于稀疏表示的分类方法由于其所具有的简单性和有效性在近年获得了广泛的关注，并且被成功地应用到了计算机视觉和图像... 详细信息

作为计算机视觉和模式识别领域的一个热点课题，图像识别被应用于公共安全、国防军事、农业和日常生活等许多方面。基于稀疏表示的分类方法由于其所具有的简单性和有效性在近年获得了广泛的关注，并且被成功地应用到了计算机视觉和图像处理的一列系问题当中。在基于稀疏表示分类的框架中，字典对稀疏编码和分类的性能起着至关重要的作用。从训练样本中学习一个具有判别性的字典具有重要的意义。目前字典学习方法可分为非监督字典学习和监督字典学习两类。尽管非监督字典学习方法取得了不错的效果，但是监督字典学习被认为能够在识别任务中取得更好的结果。监督字典学习方法大致可分为两个方向。第一个方向在目标函数中加入某些判别项使得得到的表示更加具有判别性。第二个方向根据训练样本的标签信息来学习一个结构化字典。基于结构化字典学习的原理，本文主要从以下两个方面开展研究工作:\n (1)结合结构化稀疏表示和结构化字典学习的思想，本文提出了一种新的Block-KSVD算法来学习得到一个具有块结构的字典。具体地，在稀疏编码阶段，Block-KSVD不仅将来自同一个类别的全部训练样本来联合进行结构化稀疏编码，并且假设它们具有相同的块结构表示。本文提出了并行的块正交匹配追踪算法(SB-OMP)来完成样本的结构化稀疏编码。在字典更新阶段，Block-KSVD算法基于奇异值分解技术来逐块地更新字典原子和其对应的稀疏编码。由于采用了奇异值分解技术，本文方法能够自然地学习到块内一致性为零的块结构化字典。本文还提出了Discriminative BlockK-SVD(DB-KSVD)算法来同时学习得到块结构化字典和一个线性分类器。\n (2)在Block-KSVD算法的基础上，本文进一步提出了Supervised Block-KSVD(SB-KSVD)算法来学习一个具有块结构的字典。在稀疏编码阶段，SB-KSVD不仅假设同一个类别的训练样本具有相同的块结构表示，并且限定对应类别的子字典必须在表示这个类别的训练样本时做出贡献。本文提出了一种监督的并行块正交匹配追踪算法(SSB-OMP)算法来完成结构化稀疏编码。在字典更新阶段，SB-KSVD找出对应类别训练样本的错误矩阵执行奇异值分解来逐块地更新某个类别的字典原子和对应的稀疏编码。由SB-KSVD学习得到的字典可以保证各个类别的子字典对同一个类别的训练样本具有良好的表示能力，这进一步提高了字典的判别性。\n 本文在两个公共的人脸数据库AR和Extend YaleB以及手写数字数据库Mnist上进行了大量实验来验证所提出算法的有效性，并且与基于稀疏表示的分类方法SRC、K-SVD算法以及其它的一些经典的字典学习算法进行了性能比较。实验结果表明本文提出的字典学习方法能取得了更好的识别效果。

关键词：结构化字典学习稀疏表示人脸识别数字识别 Block-KSVD算法 Supervised算法

来源：评论

学校读者我要写书评

暂无评论

基于块结构化字典学习的稀疏表示识别

基于块结构化字典学习的稀疏表示识别

引用

作者：乃科中南大学

学位级别：硕士

摘要：作为计算机视觉和模式识别领域的一个热点课题,图像识别被应用于公共安全、国防军事、农业和日常生活等许多方面。基于稀疏表示的分类方法由于其所具有的简单性和有效性在近年获得了广泛的关注,并且被成功地应用到了计算机视觉和... 详细信息

摘要：作为计算机视觉和模式识别领域的一个热点课题,图像识别被应用于公共安全、国防军事、农业和日常生活等许多方面。基于稀疏表示的分类方法由于其所具有的简单性和有效性在近年获得了广泛的关注,并且被成功地应用到了计算机视觉和图像处理的一列系问题当中。在基于稀疏表示分类的框架中,字典对稀疏编码和分类的性能起着至关重要的作用。从训练样本中学习一个具有判别性的字典具有重要的意义。目前字典学习方法可分为非监督字典学习和监督字典学习两类。尽管非监督字典学习方法取得了不错的效果,但是监督字典学习被认为能够在识别任务中取得更好的结果。监督字典学习方法大致可分为两个方向。第一个方向在目标函数中加入某些判别项使得得到的表示更加具有判别性。第二个方向根据训练样本的标签信息来学习一个结构化字典。基于结构化字典学习的原理,本文主要从以下两个方面开展研究工作： (1)结合结构化稀疏表示和结构化字典学习的思想,本文提出了一种新的Block-KSVD算法来学习得到一个具有块结构的字典。具体地,在稀疏编码阶段,Block-KSVD不仅将来自同一个类别的全部训练样本来联合进行结构化稀疏编码,并且假设它们具有相同的块结构表示。本文提出了并行的块正交匹配追踪算法(SB-OMP)来完成样本的结构化稀疏编码。在字典更新阶段,Block-KSVD算法基于奇异值分解技术来逐块地更新字典原子和其对应的稀疏编码。由于采用了奇异值分解技术,本文方法能够自然地学习到块内一致性为零的块结构化字典。本文还提出了Discriminative Block K-SVD (DB-KSVD)算法来同时学习得到块结构化字典和一个线性分类器。 (2)在Block-KSVD算法的基础上,本文进一步提出了Supervised Block-KSVD (SB-KSVD)算法来学习一个具有块结构的字典。在稀疏编码阶段,SB-KSVD不仅假设同一个类别的训练样本具有相同的块结构表示,并且限定对应类别的子字典必须在表示这个类别的训练样本时做出贡献。本文提出了一种监督的并行块正交匹配追踪算法(SSB-OMP)算法来完成结构化稀疏编码。在字典更新阶段,SB-KSVD找出对应类别训练样本的错误矩阵执行奇异值分解来逐块地更新某个类别的字典原子和对应的稀疏编码。由SB-KSVD学习得到的字典可以保证各个类别的子字典对同一个类别的训练样本具有良好的表示能力,这进一步提高了字典的判别性。本文在两个公共的人脸数据库AR和Extend YaleB以及手写数字数据库Mnist上进行了大量实验来验证所提出算法的有效性,并且与基于稀疏表示的分类方法SRC、K-SVD算法以及其它的一些经典的字典学习算法进行了性能比较。实验结果表明本文提出的字典学习方法能取得了更好的识别效果。

关键词：结构化字典学习结构化稀疏表示人脸识别和数字识别 Block-KSVD Supervised Block-KSVD

来源：评论

学校读者我要写书评

暂无评论

基于子编码和全编码联合惩罚的稀疏表示字典学习方法

引用

计算机科学 2014年第10期41卷 122-127页

作者：董俊健毛启容胡素黎詹永照江苏大学计算机科学与通信工程学院镇江212013

针对目前稀疏表示字典学习的惩罚函数版本不一且各有优势的问题,提出基于子编码和全编码联合惩罚的稀疏表示字典学习方法,该方法在字典学习的目标函数中同时加入子编码惩罚函数和全编码惩罚函数。子编码惩罚函数使得学习后的字典在稀疏... 详细信息

针对目前稀疏表示字典学习的惩罚函数版本不一且各有优势的问题,提出基于子编码和全编码联合惩罚的稀疏表示字典学习方法,该方法在字典学习的目标函数中同时加入子编码惩罚函数和全编码惩罚函数。子编码惩罚函数使得学习后的字典在稀疏表示识别时可以用子字典的重构误差和子字典上编码系数的大小来识别,全编码惩罚函数则能直接利用整个字典上的编码系数来识别,通过联合这两个惩罚函数可以获得非常好的识别效果。为了验证所提方法的有效性,在语音情感库和人脸库上与最新的基于字典学习的稀疏表示识别方法 DKSVD和FDDL进行对比,并与著名的识别方法SVM和SRC进行比较,实验结果显示所提方法具有更好的识别性能。

关键词：稀疏表示识别结构化字典学习惩罚函数稀疏编码语音情感识别人脸识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：