.png){kind=icon}
返回
A Weighted Competitive Nonnegative Representation Method for Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1142/S0219691326500098.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种加权竞争非负表示（WCNR）方法。具体而言，WCNR引入了一个竞争项，利用不同类别训练数据的竞争能力来加强表示与分类阶段之间的联系。此外，WCNR还引入了权重约束。施加在表示系数上的每个类别的权重约束赋予相似类别更多的表示贡献，从而增强了表示系数的判别能力。为了评估WCNR的分类性能，在基准数据集上进行了大量实验。实验结果表明，WCNR超过了最先进的基于表示的分类方法（RBCM），并且也优于几种深度学习方法。WCNR的MATLAB代码可在https://github.com/yinhefeng/WCNR获取。
Keyword:
Image recognition
Nonnegative constraint
Competitive term
Weight constraint
Representation method
期刊
I
IF:
0.8
论文数:
39
被引数:
717
机构
引用论文
暂无论文信息