基于鲁棒回归度量学习的图像分类算法
常冬霞
王舒伟
北京交通大学计算机与信息技术学院,北京100044
摘要：度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.
关键词：图像分类度量学习鲁棒回归稀疏表示特征子空间
分类号：TP181(自动化基础理论)
资助基金：中央高校基本科研业务费专项(2019YJS051)国家自然科学基金(61532005)
论文发表日期：2021-04-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 119-126 )
英文信息