.png){kind=icon}
返回
Affine locality-sensitive nonnegative representation based image classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-025-01504-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于表示的分类方法（RBCM）在过去十年中在图像分类领域引起了广泛关注。然而，$$\ell_1$$ 或 $$\ell_2$$ 正则化在提升分类性能方面的有效性仍不明确。为解决这一问题，非负表示分类（NRC）方法提出了一种构造性方法，强调同一类别样本之间的强正相关性，而将不同类别的样本视为无关。尽管具有这些优点，NRC 忽略了一些关键方面。首先，它未能引入仿射约束，而该约束对于确保所有样本位于特定仿射空间中是必要的。此外，样本间局部信息的缺失导致可判别性降低，因为 NRC 仅依赖全局表示。最后，表示系数解的不稳定性可归因于 NRC 目标函数中缺乏正则化项，从而导致误分类概率增加。为解决这些局限性，我们引入仿射局部敏感非负表示（ALNR）模型作为图像分类的一种新方法。更具体地说，ALNR 对表示系数施加仿射约束，并在目标函数中引入涉及局部敏感矩阵的正则化项。在多样化数据集上进行的大量实验表明，我们提出的方法具有强大的竞争力。通常，ALNR 的源代码可在我的个人主页 https://github.com/li-zi-qi/ALNR 上公开获取。
Keyword:
Image processing
Pattern recognition
Classification algorithms
Nonnegative representation
Affine constraint
Locality information
期刊
IF:
2
论文数:
2.0K
被引数:
1.9K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容