基于L2,1模和图正则化的低秩迁移子空间学习

TP391.4; 本文提出一种基于L2,1模和图正则化的低秩迁移子空间学习方法.首先,在低秩重构过程中通过对重构矩阵施加具有旋转不变性的L2,1模约束,可在挖掘目标域数据的关键特征的同时提高算法对不同姿态图片分类的鲁棒性.其次,在目标函数中引入图结构的正则化,使得迁移时数据中的局部几何结构信息得以充分利用,进一步提高了分类性能.最后,为解决源域数据较少导致的欠完备特征空间覆盖问题,在公共子空间中利用源域数据和目标域数据联合构造字典,保证了重构的鲁棒性.在Caltech256,Office,CMU–PIE,COIL20,USPS,MNIST,VOC2007和MSRC数据库上的大量对比实验验证了本...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 35; no. 12; pp. 1738 - 1749
Main Authors 屈磊, 方怡, 熊友玲, 唐俊
Format Journal Article
LanguageChinese
Published 安徽大学计算智能与信号处理教育部重点实验室,安徽合肥230601 01.12.2018
安徽大学电子信息工程学院,安徽合肥230601%安徽大学电子信息工程学院,安徽合肥,230601
Subjects
L2,1模
迁移学习
低秩重构
图正则化
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2018.80421

Cover

More Information
Summary:TP391.4; 本文提出一种基于L2,1模和图正则化的低秩迁移子空间学习方法.首先,在低秩重构过程中通过对重构矩阵施加具有旋转不变性的L2,1模约束,可在挖掘目标域数据的关键特征的同时提高算法对不同姿态图片分类的鲁棒性.其次,在目标函数中引入图结构的正则化,使得迁移时数据中的局部几何结构信息得以充分利用,进一步提高了分类性能.最后,为解决源域数据较少导致的欠完备特征空间覆盖问题,在公共子空间中利用源域数据和目标域数据联合构造字典,保证了重构的鲁棒性.在Caltech256,Office,CMU–PIE,COIL20,USPS,MNIST,VOC2007和MSRC数据库上的大量对比实验验证了本文方法的有效性和鲁棒性.
ISSN:1000-8152
DOI:10.7641/CTA.2018.80421