.png){kind=icon}
返回
Joint outlier detection and representation learning for robust multiclass classification
.png){kind=icon}
PRE
AI
DOI：10.1142/s0219691326500165.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（RC）方法已在视觉识别任务中得到广泛研究。然而，一些早期方法通常基于均方误差（MSE），其对严重污染高度敏感。尽管已提出各种鲁棒策略，但它们仍存在鲁棒性不足且对异常值敏感的问题。因此，在存在严重污染和异常值的复杂场景下实现鲁棒建模仍是一个重大挑战。为解决此问题，本文提出了一种新型RC方法，称为联合异常值检测与表示学习（JODRL），将异常值检测和表示学习整合到一个统一框架中。通过相互促进，JODRL能有效降低异常值的影响并进一步提升鲁棒性。此外，我们提出了一种基于乘子交替方向法（ADMM）和半二次（HQ）理论的交替优化算法。在五个代表性基准数据集上的实验结果表明，JODRL在各类复杂噪声和异常值干扰场景下均显著优于现有方法，充分验证了模型的有效性和鲁棒性。
Keyword:
Outlier detection
representation learning
robust multiclass classification
期刊
I
IF:
0.8
论文数:
39
被引数:
717
机构
引用论文
From few to many: illumination cone models for face recognition under variable lighting and pose
PREAI
分享收藏
An elastic competitive and discriminative collaborative representation method for image classification.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容