模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2017, Vol. 30 Issue (6): 481-488    DOI: 10.16451/j.cnki.issn1003-6059.201706001
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
融合局部性和非负性的Laplacian稀疏编码的图像分类*
万源1,史莹1,吴克风2,陈晓丽1
1.武汉理工大学 理学院 武汉 430070
2.华中科技大学 自动化学院 武汉 430074
Laplacian Sparse Coding by Incorporating Locality and Non-negativity for Image Classification
WAN Yuan1 , SHI Ying1 , WU Kefeng2 , CHEN Xiaoli1
1.School of Science, Wuhan University of Technology, Wuhan 430070
2.School of Automation, Huazhong University of Science and Technology, Wuhan 430074

全文: PDF (1060 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 稀疏编码在编码过程中忽略特征之间的局部关系,使编码不稳定,并且优化问题中的减法运算可能会导致特征之间相互抵消.针对上述2个问题,文中提出融合局部性和非负性的Laplacian稀疏编码的图像分类方法.引入局部特征附近的基约束编码,利用非负矩阵分解将非负性加到Laplacian稀疏编码中,利用空间金字塔划分和最大值融合表示最终的图像,并采用多类线性SVM分类图像.本文方法保留特征之间的局部信息,避免特征之间相互抵消,保留更多的特征,从而改善编码的不稳定性.在4个公共数据集上的实验表明,相比其它现有算法,本文方法分类准确率更高.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
万源
史莹
吴克风
陈晓丽
关键词 局部性 非负性 Laplacian稀疏编码 空间金字塔划分 最大值融合    
Abstract:The local relationship between features of images is not taken into account in the traditional sparse coding, it can lead to the instability of encoding. Moreover, some effective features may not be retained via the subtraction operation in the optimization procedure. Aiming at these two problems, a method is proposed, named Laplacian sparse coding by incorporating locality and non-negativity(LN-LSC)for image classification. Firstly, bases near to the local features are chosen to constrain the codes. Then, non-negativity is introduced in Laplacian sparse coding by non-negative matrix factorization. Finally, spatial pyramid division and max pooling are utilized to generate the final representation of images in the pooling step. Multi-class linear SVM is adopted for image classification. The local information between features is preserved by the proposed method, and the offsetting between features is also avoided. Thus, more features are utilized for coding, and the instability of the coding is overcome. Experiments on four public image datasets show the classification accuracy of LN-LSC is higher than that of the state-of-the-art sparse coding algorithms.
Key wordsLocality    Non-negativity    Laplacian Sparse Coding    Spatial Pyramid Division    Max Pooling   
收稿日期: 2016-12-26     
ZTFLH: TP 391.4  
基金资助:国家自然科学基金项目(No.81271513)资助
作者简介: 万 源,女,1976年生,博士,副教授,主要研究方向为模式识别、机器学习、图像处理.E-mail:wanyuan@whut.edu.cn.
史 莹(通讯作者),女,1991年生,硕士研究生,主要研究方向为图像处理、模式识别.E-mail:1329990417@qq.com.
吴克风,男,1992年生,硕士研究生,主要研究方向为模式识别、智能控制.E-mail:787145813@qq.com.
陈晓丽,女,1992年生,硕士研究生,主要研究方向为图像处理、模式识别.E-mail:785535947@qq.com.
引用本文:   
万源,史莹,吴克风,陈晓丽. 融合局部性和非负性的Laplacian稀疏编码的图像分类*[J]. 模式识别与人工智能, 2017, 30(6): 481-488. WAN Yuan, SHI Ying, WU Kefeng, CHEN Xiaoli. Laplacian Sparse Coding by Incorporating Locality and Non-negativity for Image Classification. , 2017, 30(6): 481-488.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201706001      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2017/V30/I6/481
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn