摘要
局部保持投影(Locality preserving projection,LPP)在特征提取中得到了广泛的应用。但是,LPP不使用数据的类别信息,并且采用L2范数来进行距离测量,对异常值高度敏感。本文从监督的角度考虑LPP的权值矩阵,并结合低秩回归的方法,提出一种新的模型来发现和提取特征。利用L_(2,1)范数来约束损失函数和回归矩阵,不仅降低了对异常值的敏感性,而且限制了回归矩阵的低秩条件。然后给出了优化问题的求解方法。最后,本文将该方法应用于多个人脸数据库和掌纹数据集进行了性能测试,并将实验结果与现有的一些方法进行比较,结果表明该方法是有效的。
Locality preserving projection(LPP)has been widely used in feature extraction.However,LPP does not use category information of data,and uses L2-norm for distance measurement,which is highly sensitive to outliers.We consider the weight matrix of LPP from a supervised perspective,and combine the method of low-rank regression to propose a new model to discover and extract features.By using L_(2,1)-norm to constrain the loss function and the regression matrix,not only the sensitivity to outliers is reduced,but also the low-rank condition of the regression matrix is restricted.Then we propose a solution to the optimization problem.Finally,we apply the method to a series of face database and palmprint dataset to test performance,and the experimental results show that the proposed method is effective.
作者
姚裕
万鸣华
黄伟
YAO Yu;WAN Minghua;HUANG Wei(School of Information Engineering,Nanjing Audit University,Nanjing 211815,China;School of Computer and Information Engineering,Hanshan Normal University,Chaozhou 521041,China)
出处
《南京航空航天大学学报》
CAS
CSCD
北大核心
2021年第5期692-699,共8页
Journal of Nanjing University of Aeronautics & Astronautics
基金
2020年江苏省科研与实践创新计划(SJCX20_0670)资助项目
国家自然科学基金面上(61876213)资助项目
江苏省自然科学基金面上(BK20201397)资助项目
江苏省高校自然科学研究重大(18KJA520005)资助项目
2016年广东省自然科学基金-粤东西北创新人才联合培养基金(2016A030307050)资助项目
2016年广东省公益能力研究基金(2016A020225008)资助项目
2017年广东省科技厅平台建设基金(2017A040405062)资助项目。
关键词
局部保持投影
低秩回归
监督
特征提取
流形学习
locality preserving projection(LPP)
low-rank regression
supervised
features extracting
manifold-learning
