首页| 行业标准| 论文文档| 电子资料| 图纸模型
购买积分 购买会员 激活码充值

您现在的位置是:团子下载站 > 其他 > 如何使用弹性网和直方图相交进行非负局部稀疏编码

如何使用弹性网和直方图相交进行非负局部稀疏编码

  • 资源大小:0.98 MB
  • 上传时间:2021-08-26
  • 下载次数:0次
  • 浏览次数:75次
  • 资源积分:1积分
  • 标      签: 计算机视觉 LLC 机器人

资 源 简 介

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。
VIP VIP