.png){kind=icon}
返回
Pattern classification based on competitive and non-negative representation
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02042-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非负表示分类（NRC）自提出以来已引起广泛关注。与传统依赖$$\ell _{1}$$ / $$\ell _{2}$$ -范数约束的表示分类方法（RBCM）不同，NRC创新性地采用表示系数的非负约束，限制异质样本的表示能力并提高分类精度。然而，单纯非负约束不足以限制异质样本的表示贡献。此外，NRC中缺乏正则化项增加了误分类的概率。为解决这些局限性，我们引入竞争约束正则化项到NRC中，提出竞争性与非负表示分类（Co-NRC）方法。引入的竞争约束使所有类别的训练样本能竞争性地表示查询样本，进一步惩罚异质样本并确保同质样本对表示贡献更多。我们在各类具有挑战性的数据集上进行了广泛实验。小规模数据集的实验表明，Co-NRC优于多种RBCM，而大规模数据集的实验显示该方法甚至超越了多种深度学习方法。这些发现充分证明了所提方法的有效性。通常情况下，Co-NRC的源代码可公开获取于本人主页https://github.com/li-zi-qi/Co-NRC。
Keyword:
Pattern recognition
Image classification
Nonnegative representation
Competitive constraint
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
Robust Meta-Representation Learning via Global Label Inference and Classification通过全局标签推理和分类的鲁棒元表示学习OAAI
OAAI分享收藏
分享收藏分享收藏
查看更多内容