Aprendizaje de Diccionario Robusto Semi-Supervisado a través de Minimización Eficiente de Normas l-Norms

Representar la entrada en bruto de un conjunto de datos mediante un conjunto de códigos relevantes es crucial para muchas aplicaciones de visión por computadora. Debido a la propiedad intrínseca de escasez de los datos del mundo real, el aprendizaje de diccionarios, en el que la descomposición lineal de un punto de datos utiliza un conjunto de bases de diccionario aprendidas, es decir, códigos, ha demostrado un rendimiento de vanguardia. Sin embargo, los métodos tradicionales de aprendizaje de diccionarios sufren de tres debilidades: sensibilidad a muestras ruidosas y atípicas, dificultad para determinar el tamaño óptimo del diccionario, e incapacidad para incorporar información de supervisión. En este documento, abordamos estas debilidades aprendiendo un Diccionario Robusto Semi-Supervisado (SSR-D). Específicamente, utilizamos la norma l 2,0+ como función de pérdida para mejorar la robustez contra valores atípicos, y desarrollamos una nueva regularización estructurada escasa para incorporar la información de supervisión en el aprendizaje de diccionarios, sin incurrir en parámetros adicionales. Además, el tamaño óptimo del diccionario se aprende automáticamente de los datos de entrada. Minimizar la función objetivo derivada es un desafío porque involucra muchos términos de norma l 2,0+ no suaves. Presentamos un algoritmo eficiente para resolver el problema con una prueba rigurosa de la convergencia del algoritmo. Se presentan experimentos extensos para mostrar el rendimiento superior del método propuesto.