基于低秩表示的鲁棒判别特征子空间学习模型

作     者：李骜 刘鑫 陈德运 张英涛 孙广路 LI Ao;LIU Xin;CHEN Deyun;ZHANG Yingtao;SUN Guanglu

作者机构：哈尔滨理工大学计算机科学与技术学院哈尔滨150080 哈尔滨工业大学计算机科学与技术学院哈尔滨150001 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2020年第42卷第5期

页      面：1223-1230页

核心收录：

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

基　　金：国家自然科学基金(61501147) 黑龙江省青年创新人才计划(UNPYSCT-2018203) 黑龙江省自然科学基金优秀青年基金(YQ2019F011) 黑龙江省高等学校基本科研业务专项(LGYC2018JQ013) 哈尔滨市应用技术研究与开发项目(2017RALX006) 

主　　题：图像分类 子空间学习 特征提取 低秩表示 

摘      要：特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。