.png){kind=icon}
返回
Retargeted broad learning systems for image classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105020.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
广学习系统（BLS）因其高效性与准确性的出色平衡而受到认可，在图像分类任务中表现出显著性能，这归功于其简化的网络架构和有效的学习方法。然而，该系统由于两个突出的缺陷而面临重大挑战，这些缺陷显著阻碍了其学习效能。首先，BLS模型固有的刚性二元标注策略限制了模型的适应性。此外，由此产生的广泛特征通常存在冗余，存在引入无关特征的风险。为解决这些问题，本文提出了三种改进的BLS模型。最初，将再定位方法整合到标准BLS框架中，以缓解对回归目标的约束，引入了基于L2的再定位BLS（L2ReBLS）模型。随后，为减轻冗余特征的负面影响，采用L21正则化替代弗罗贝尼乌斯范数进行特征选择，得到L21ReBLS模型。此外，BLS的投影矩阵同时受到L2和L21正则化方法的约束。为求解所提方法，设计了基于乘子交替方向法的有效迭代优化方法。最终，在多样化的图像数据库上进行的全面实验旨在凸显所提方法相较于其他最新分类算法的卓越性能。
Keyword:
Broad learning system
Retargeted label space
Sparse regularization
Optimization
Image classification
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏Communicating sentiment and outlook reverses inaction against collective risks沟通情绪和前景扭转了对集体风险的不作为
OAAI
OAAI分享收藏
查看更多内容