Aprendizado Latente de Dicionário para Classificação Baseada em Representação Esparsa

O aprendizado de dicionário (DL) para codificação esparsa mostrou resultados promissores em tarefas de classificação, enquanto a forma de construir adaptativamente a relação entre átomos de dicionário e rótulos de classe ainda é uma questão importante em aberto. As abordagens existentes de aprendizado de dicionário simplesmente fixam um átomo de dicionário para ser específico de classe ou compartilhado por todas as classes anteriormente, ignorando que a relação precisa ser atualizada durante o DL. Para abordar essa questão, neste artigo, propomos um novo método de aprendizado de dicionário latente (LDL) para aprender um dicionário discriminativo e construir sua relação com os rótulos de classe de forma adaptativa. Cada átomo de dicionário é aprendido juntamente com um vetor latente, que associa este átomo à representação de diferentes classes. Mais especificamente, introduzimos um modelo de representação latente, no qual a discriminação do dicionário aprendido é explorada minimizando a dispersão intra-classe dos coeficientes de codificação e a coerência do dicionário ponderada pelo valor latente. A solução ótima é obtida de forma eficiente pelo algoritmo de resolução proposto. Correspondentemente, um classificador baseado em representação esparsa latente também é apresentado. Resultados experimentais demonstram que nosso algoritmo supera muitas abordagens recentemente propostas de representação esparsa e aprendizado de dicionário para reconhecimento de ação, gênero e rosto.