期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于低秩分解的联合动态稀疏表示多观测样本分类算法
被引量：
3
1
作者
胡正平
高红
霄
赵淑欢
《电子学报》
EI
CAS
CSCD
北大核心
2015年第3期440-446,共7页
通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图...
通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.
展开更多
关键词
模式识别
多观测样本分类
低秩矩阵恢复
联合动态稀疏表示
下载PDF
职称材料
L1 Graph联合转换学习模型的多观测样本分类算法
2
作者
卢辉斌
胡正平
高红
霄
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2015年第11期2634-2640,共7页
不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1-Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不...
不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1-Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1-Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS-Binary数字数据库、Three-Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。
展开更多
关键词
稀疏表示
转换学习
域适应
多观测样本分类
下载PDF
职称材料
题名
基于低秩分解的联合动态稀疏表示多观测样本分类算法
被引量：
3
1
作者
胡正平
高红
霄
赵淑欢
机构
燕山大学信息科学与工程学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2015年第3期440-446,共7页
基金
国家自然科学基金(No.61071199)
文摘
通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.
关键词
模式识别
多观测样本分类
低秩矩阵恢复
联合动态稀疏表示
Keywords
pattern recognition
multiple observation sets classification
low-rank matrix recovery
joint dynamic sparse representation
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
L1 Graph联合转换学习模型的多观测样本分类算法
2
作者
卢辉斌
胡正平
高红
霄
机构
燕山大学信息科学与工程学院
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2015年第11期2634-2640,共7页
基金
国家自然科学基金(61071199)项目资助
文摘
不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1-Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1-Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS-Binary数字数据库、Three-Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。
关键词
稀疏表示
转换学习
域适应
多观测样本分类
Keywords
sparseness representation
transfer learning
domain adaptation
multiple observation sets classification
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TH74 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于低秩分解的联合动态稀疏表示多观测样本分类算法
胡正平
高红
霄
赵淑欢
《电子学报》
EI
CAS
CSCD
北大核心
2015
3
下载PDF
职称材料
2
L1 Graph联合转换学习模型的多观测样本分类算法
卢辉斌
胡正平
高红
霄
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2015
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
