项目名称: 基于二维随机映射和一范数优化的有监督图像分类研究

项目编号: No.61152004

项目类型: 专项基金项目

立项/批准年度: 2012

项目学科: 金属学与金属工艺

项目作者: 廖亮

作者单位: 中原工学院

项目金额: 15万元

中文摘要: 随着图像采集和传感器分辨率的不断攀升,图像识别要处理的数据维数越来越高,从而导致计算复杂度飙升,而高维数据分布的非线性和非凸性也使得有效识别变得异常困难。针对该问题,特征提取和非线性分类器的设计至关重要。而传统的方法通常是将图像变换成向量后再提取特征和识别的。针对这种"一维向量化"的缺点,本研究利用压缩感知和稀疏表示理论对图像进行二维压缩采样,并设计针对压缩图像的二维非线性分类器。(1)提出用于图像特征提取的二维随机映射方法,降维图像保持矩阵结构,并可用一范数优化技术重建原始图像。和传统方法相比,采样和重建的计算复杂度显著降低。(2)提出一种基于二维稀疏表示的有监督图像分类器。图像的分类由训练集和一个重建的稀疏矩阵确定。稀疏矩阵的重建利用一范数优化技术完成。与稀疏向量相比,稀疏矩阵包含结构信息,而且重建的计算复杂度也更低,同等条件下基于该方法的识别率和稳定性优于一维方法。

中文关键词: 稀疏表示;二维随机映射;一范数优化;受限子空间;本征维数估计

英文摘要:

英文关键词: Sparse representation;2D random projection;L1-norm optimization;Constrained subpace;Intrinsic dimension estimation

成为VIP会员查看完整内容
3

相关内容

这种方法被称为Sparse Coding。通俗的说,就是将一个信号表示为一组基的线性组合,而且要求只需要较少的几个基就可以将信号表示出来
【NeurIPS2021】由相似性迁移的弱样本细粒度分类
专知会员服务
20+阅读 · 2021年11月11日
图像分类的深度卷积神经网络模型综述
专知会员服务
56+阅读 · 2021年10月29日
专知会员服务
33+阅读 · 2021年9月18日
专知会员服务
21+阅读 · 2021年8月23日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
38+阅读 · 2021年5月16日
专知会员服务
61+阅读 · 2021年3月12日
论文浅尝 | 基于正交普鲁克分析的高效知识图嵌入学习
【CVPR2021】空间一致性表示学习
专知
0+阅读 · 2021年3月12日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
37+阅读 · 2019年7月25日
【紫冬新作】人脸识别新突破:真实场景下的大规模双样本学习方法
中国科学院自动化研究所
10+阅读 · 2019年3月7日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
小贴士
相关VIP内容
【NeurIPS2021】由相似性迁移的弱样本细粒度分类
专知会员服务
20+阅读 · 2021年11月11日
图像分类的深度卷积神经网络模型综述
专知会员服务
56+阅读 · 2021年10月29日
专知会员服务
33+阅读 · 2021年9月18日
专知会员服务
21+阅读 · 2021年8月23日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
38+阅读 · 2021年5月16日
专知会员服务
61+阅读 · 2021年3月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员