LGE-KSVD: Robust Sparse Representation Classification

Die sparsame Natur von spärlichen Repräsentationen wurde erfolgreich für die Entwicklung hochgenauer Klassifizierer für verschiedene wissenschaftliche Anwendungen genutzt. Trotz des Erfolgs der Techniken zur spärlichen Repräsentation kann eine große Anzahl von Wörterbuchatomen sowie die hohe Dimension der Daten diese Klassifizierer rechenintensiv machen. Darüber hinaus sind spärliche Klassifizierer den nachteiligen Auswirkungen eines Phänomens, das als Koeffizientenverunreinigung bekannt ist, ausgesetzt, wobei beispielsweise Variationen in der Pose die Identitäts- und Ausdruckserkennung beeinträchtigen können. Wir analysieren die Interaktion zwischen Dimensionsreduktion und spärlichen Repräsentationen und schlagen eine Technik vor, die als Lineare Erweiterung der Graph-Einbettung basierten K-Means-Singularwertzerlegung (LGE-KSVD) bezeichnet wird, um sowohl die Probleme der Rechenintensität als auch der Koeffizientenverunreinigung anzugehen. Insbesondere nutzt die LGE-KSVD Varianten der LGE, um die K-SVD zu optimieren, eine iterative Technik für das Lernen von kleinen, aber überkompletten Wörterbüchern. Die Dimensionreduktionsmatrix, das spärliche Repräsentationswörterbuch, die spärlichen Koeffizienten und der spärlichkeitsbasierte Klassifizierer werden gemeinsam durch die LGE-KSVD erlernt. Der Prozess der Atomoptimierung wird neu definiert, um variablen Support unter Verwendung von Graph-Einbettungstechniken zu ermöglichen und einen flexibleren und eleganteren Algorithmus zum Lernen von Wörterbüchern zu erzeugen. Die Ergebnisse werden für eine Vielzahl von Gesichts- und Aktivitätserkennungsproblemen präsentiert, die die Robustheit der vorgeschlagenen Methode demonstrieren.