精华内容
下载资源
问答
  • 协同表示
    千次阅读
    2020-01-17 12:49:16

    SRC

    出处:《Robust Face Recognition via Sparse Representation》
    在这里插入图片描述

    ESRC

    考虑到图像里的噪声,提出了Extended SRC(ESRC):
    sparse representation
    根据每类的残差进行分类
    在这里插入图片描述

    CRC

    全称Collaborative Representation based Classification with regularized least square
    当样本高度相关时,样本y在各个类的投影可能大致相同,SRC的结果就不稳定。于是CRC提出
    数学表达如下
    m i n ∥ α ∥ 2 s . t . ∥ y − X α ∥ 2 ≤ ϵ min \|\alpha\|_2\qquad s.t.\|y-X\alpha\|_2\leq\epsilon minα2s.t.yXα2ϵ

    ASRC

    出处:《Robust Face Recognition via Adaptive Sparse Representation》
    综合SRC和CRC,提出自适应的稀疏表示方法
    数学表达为
    m i n ∥ X D i a g ( α ) ∥ ∗ s . t . ∥ y − X α ∥ 1 ≤ ϵ min\|X Diag(\alpha)\|_* \qquad s.t.\|y-X\alpha\|_1\leq\epsilon minXDiag(α)s.t.yXα1ϵ
    也可以写为
    m i n ∥ X D i a g ( α ) ∥ ∗ + λ ∥ y − X α ∥ 1 min\|X Diag(\alpha)\|_*+\lambda\|y-X\alpha\|_1 minXDiag(α)+λyXα1
    首先了解一个等式(不难证明)
    ∥ X ∥ ∗ = T r [ ( X T X ) 1 2 ] \|X\|_* = Tr[(X^TX)^{\frac{1}{2}}] X=Tr[(XTX)21]
    当所有样本互不相关时,ASRC可退化为SRC,证明如下

    在这里插入图片描述
    当所有样本高度相关,X的秩为1时,ASRC退化为CRC,证明如下
    在这里插入图片描述

    更多相关内容
  • 针对高光谱图像的分类问题进行了研究,提出一种基于联合协同表示(JCR)与支持向量机(SVM)模型的决策融合分类方法。首先采用联合协同表示模型对样本与字典进行多元素分解并分别进行相应的协同表示,自适应地学习多...
  • 本文将CRC与多核学习方法相结合,提出了基于多核协同表示的分类(MKCRC)方法,并将其应用于图像分类中,以学习不同子区域在图像表示中的权重。在一些基准数据集中,例如Caltech101、102flowers,Scene 15和UIUC ...
  • 针对协同表示的高光谱图像异常检测算法中双窗口中心为异常像元且背景字典存在同种异常像元的情况,中心像元的输出较小,难以与背景区分的问题,提出一种改进协同表示的高光谱图像异常检测算法。为了减小背景字典中...
  • 基于PCA_LDA和协同表示分类的人脸识别算法.pdf
  • 基于协同表示的个人通信发射机识别
  • 基于稀疏子空间的加权局部协同表示
  • 基于叠加协同表示分类的人脸识别.pdf
  • LBP特征与协同表示的人脸识别算法.pdf
  • 基于协同表示学习的个性化新闻推荐.pdf
  • 基于协同表示的分类(CRC)以其卓越的协同能力成为人脸分类领域的一个突破。然而在实际应用中,通常只提供很少甚至是单个人脸图像来进行人脸识别,这导致了CRC无法很好地处理光照、表情、姿态和遮挡等问题。针对该...
  • 针对由于空间信息利用不充分而导致的高光谱图像分类精度较低的问题,提出一种基于图正则自适应联合协同表示的高光谱图像分类算法.首先,采用双边滤波操作对高光谱图像进行空间信息提取,以充分挖掘每个像素的空间信息;...
  • 人脸识别协同表示代码基于协同表示的人脸识别matlab代码,文章出处:L zhang等的“Sparse Representation or Collaborative Representation: Which Helps Face Recognition? ”
  • 基于协同表示的快速人脸识别算法,郑新光,张洪刚,稀疏表示相关算法已在人脸识别领域得到广泛应用,取得了显著的效果。本文提出了一种基于协同表示的人脸识别算法,该算法改进于稀
  • 高光谱异常检测: 这是用于高光谱异常检测的matlab代码(LSAD-CR-IDW和LSUNRSORAD算法) 有关此项目的更多信息,请参阅我们的论文: [共同第一作者] 先决条件: Matlab R2018b 其他相关论文: ...
  • 协同表示人脸识别方法中,训练集中图像包含的光照、表情等信息并不能被有效利用,因此影响了最终的分类结果。针对该问题提出了一种称为基于虚拟样本的协同表示识别算法。首先对训练集中的图像按不同的光照、表情等...
  • 数据回归-基于协同表示和线性回归的人脸识别算法研究.pdf
  • 协同表示分类器与SVM中的核函数相结合,增加样本可分性,提高分类精度。
  • 针对这一问题,提出一种基于协同表示的步态识别方法。该方法首先通过背景重建、目标提取等处理获得人体侧影轮廓,根据步态轮廓的宽度变化统计步态周期,得到步态能量图GEI;其次,以GEI为基础对测试样本进行协同表示...
  • 协同表示方法应用于步态识别中可以解决稀疏表示方法计算耗时的问题,但提取步态特征采用的GEI算法没有考虑步态内部轮廓边界信息,导致识别率不高。针对此问题,提出使用融合Hog和GEI算法的方法提取步态特征,在此...
  • 应用特征感知与协同表示的高光谱图像分类方法.docx
  • 这些天一直在看稀疏表示和协同表示的相关论文,特此做一个记录: 这篇文章将主要讨论以下的问题: 1.稀疏表示是什么? 2.l1正则化对于稀疏表示的帮助是什么,l0,l1,l2,无穷范数的作用? 3.稀疏表示的robust为...

    这些天一直在看稀疏表示和协同表示的相关论文,特此做一个记录:
    这篇文章将主要讨论以下的问题:
    1.稀疏表示是什么?
    2.l1正则化对于稀疏表示的帮助是什么,l0,l1,l2,无穷范数的作用?
    3.稀疏表示的robust为什么好?
    4.l2正则化的协同表示是不是比稀疏表示更好?

    好的,内容开始。

    稀疏表示是什么?

    稀疏表示的基本思想来自压缩感知,即我们能用最少的样本来代表测试数据。同时,更主要的源头来自:一个样本可以被其他同类样本线性表示
    这里写图片描述
    Naseem I, Togneri R, Bennamoun M. Linear regression for face recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2010, 32(11):2106-2112.

    那我们现在尝试一下,我们不单单是同类的训练样本来进行线性表示,而是用全部的训练样本来线性表示。
    我们用公式化的语言表示出来就是:

    y=αi,1vi,1+αi,2vi,2+...+αi,nivi,ni,(6) (6) y = α i , 1 v i , 1 + α i , 2 v i , 2 + . . . + α i , n i v i , n i ,

    i表示第i类,n表示一共有n类
    简化一下
    A=[A1,A2,...,Ak]=[vi,1,vi,1,...,vk,nk](7) (7) A = [ A 1 , A 2 , . . . , A k ] = [ v i , 1 , v i , 1 , . . . , v k , n k ]

    y=Ax0(8) (8) y = A x 0

    所得到的向量x就是我们的稀疏表示的字典,根据我们上面提到的一个样本可以被其他同类样本线性表示。那么,其他不同类样本所对应字典里面的值应该为0。同时,根据我们压缩感知的原理,我们应该用更少的样本来代表测试样本,这就要我们所获得的字典 x0 x 0 中的值更可能多的为0,也就是更可能稀疏,这也就是我们稀疏表示的基本思想。
    具体的算法流程为:
    这里写图片描述

    l1正则化对于稀疏表示的帮助是什么,l0,l1,l2,无穷范数的作用?

    刚刚说到我们要让得到的稀疏表示的字典尽量多的值为0,那显然正则化的操作可以满足我们,要想所有值尽可能为0,最理想的肯定是L0正则化哦,我们先把目标函数写出:
    这里写图片描述
    为什么这里说明L0正则化湿最理想的约束方式,请看下面几张关于l0,l1,l2,无穷范数在几何上的表示:

    这里写图片描述
    From:https://www.zhihu.com/people/CharelsLiu/activities
    这里的q的值就相当正则化的值,虽然这里没有说明q=0的情况,我相信有心的读者一定推断出来,在q=0的时候,绿线几乎靠近坐标系,当q接近正无穷的时候,绿线的范围就接近方形,再来一张随处都能找到的图:
    这里写图片描述
    橙色的范围就是的正则约束,圆圈就是我们的解空间,相交的地方就是我们的解,由于l0正则化的范围近乎在坐标轴上,相交得到的解就会近可能为0,所有所得的解是稀疏的,甚至能够得到人脸的pose,光照之类的关键维度。但是由于求解l_0正则化是一个NP-hard问题。所有一般不解l0正则化,我们通常用l1正则化来代替l0正则化,其实在上图也可以看到,l0正则化一般的到的点也大多在坐标系上,所以得到的解也是稀疏的。接下来,我们也用同样的公式将l1-norm表示出来:
    这里写图片描述

    稀疏表示的robust为什么好?

    对于人脸识别问题来说,人脸图像出现遮挡或者噪音是一件很普通的时间。我们的稀疏表示则可以增加人脸识别算法的鲁棒性。
    这里写图片描述
    正如这张图所示,每张遮挡的人脸可以看做是原来的人脸的线性表示+遮挡的误差项,即用式子表示出来为:

    y=y0+e0=Ax0+e0(9) (9) y = y 0 + e 0 = A x 0 + e 0

    我们在原来的稀疏表示的基础上加入了误差项来解决我们遮挡和噪音问题,由于加入了误差项,我们的目标函数,以及我们的原来的矩阵都要进行修改,修改为:
    y=[A,I][x0e0](10) (10) y = [ A , I ] [ x 0 e 0 ]

    我们最后进行分类的残差项也要进行修改,修改得到的结果为:
    这里写图片描述
    有了误差项的帮助,我们的稀疏表示便能增加其的鲁棒性。
    下面是一张在出现遮挡的情况选择对应训练集顶点的示意图:
    这里写图片描述

    l2正则化的协同表示是不是比稀疏表示更好?

    关于l1正则化是不是稀疏表示效果好的主要原因,还是如果用l2正则化的效果会不会更好的讨论,主要来自这篇论文:
    Sparse Representation or Collaborative Representation: Which Helps Face Recognition?
    从实验的角度来说明了,即使我们使用了l2-norm的正则化的协同表示,在人脸的识别精度而言依旧不输于l1-norm的稀疏表示。其实,l1-norm正则化有两个主要的缺点:
    一. l1-norm 所得到的字典必须是over-complete.这就要求我们的训练样本数量要尽可能的大。但是,在实际做人脸识别的时候,不具备这么完备的训练样本数据。
    二. l1-norm过于严格,不够平滑。导致l1-norm往往只关注到了跟自己同类样本的相关性,但是却忽略了不同类样本的人脸数据的共性。
    针对于问题一,由于同为人脸数据,即使为不同类的样本也具有共性,比如鼻子、眼睛等共性特征。在训练样本不够的情况下完全可以利用其他不同类样本的特征,也就是这就要求我们应该使用l2-norm更加平滑的约束来获取不同类样本的共性。
    同时,由于l2-norm的目标函数如下:
    这里写图片描述
    这是一个明显的最小二乘问题,我们可以很快的得到解析解为:
    这里写图片描述
    我们可以完全采用相同准确率,并且计算复杂度更低的l2-norm

    l2-norm的协同表示代码如下:
    这里写图片描述

    Reference:
    Sparse Representation or Collaborative Representation: Which Helps Face Recognition?
    Linear Regression for Face Recognition
    Robust Face Recognition via Sparse Representation

    展开全文
  • 基于协同表示的子空间聚类.pdf
  • 基于快速协同表示分类和组内预测重构系数向量l2范数的人脸识别算法.pdf
  • 多融合协同表示的人脸识别方法.pdf
  • 基于协同表示分类的软件缺陷预测
  • 一种基于最大相关熵和局部约束的协同表示分类器.docx
  • 自适应Gabor特征的协同表示人脸识别算法.pdf
  • 混合样本协同表示算法的人脸识别研究.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 125,020
精华内容 50,008
关键字:

协同表示