注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 用于面部识别的特定于类别的词典学习

  2. 最近，基于稀疏表示的分类（SRC）已成功用于视觉识别，并显示了令人印象深刻的性能。 给定一个测试样本，SRC将针对所有训练样本计算其稀疏线性表示，并为每类训练样本计算残留误差。 但是，SRC认为每个班级中的训练样本对该班级中的字典的贡献均等，即字典由该班级中的训练样本组成。 这可能会导致较高的残留误差和不稳定性。 本文提出了一种基于类别的词典学习算法。 首先，通过引入字典学习的对偶形式，表示了基向量与原始图像特征之间的显式关系，这增强了可解释性。 因此，可以将SRC视为所提出算法的特殊情况。 第

  3. 所属分类：其它

    • 发布日期：2021-03-23
    • 文件大小：1018kb
    • 提供者：weixin_38592611

  1. 使用特定于类的字典学习进行稀疏表示和协作表示的人脸识别

  2. 近来，基于稀疏表示的分类（SRC）和基于协作表示的分类（CRC）已成功用于视觉识别，并表现出令人印象深刻的性能。 给定一个测试样本，SRC或CRC就训练样本制定其线性表示，然后为每个样本计算残留误差。 班级。 SRC或CRC假定来自每个类别的训练样本对相应类别中的字典做出同等贡献，即，字典由该类别中的训练样本组成。 但是，这导致较高的残留误差和不稳定性。 为了克服此限制，我们提出了特定于类的字典学习算法。 具体而言，通过引入字典学习的对偶形式，表示了基向量与原始图像特征之间的明确关系，这也增强了

  3. 所属分类：其它

  1. SP-SVM：用于多个流形上的数据的大容限分类器

  2. 作为最重要的最新分类技术之一，支持向量机（SVM）由于以下原因已在许多实际应用中被广泛采用，例如对象检测，人脸识别，文本分类等。其具有竞争力的实用性能和优雅的理论解释。 但是，它独立地对待所有样本，并且忽略了以下事实：在许多实际情况下，尤其是当数据位于高维空间中时，样本通常位于特征空间的低维流形上，因此可以通过以下方式将其与其邻居相关联：表示为同一歧管上其他样本的线性组合。 通常是稀疏的这种线性表示反映了基础流形的结构。 在最近的文献中已经对其进行了广泛的探索，并被证明对分类的性能至关重要。 为

  3. 所属分类：其它

  1. 基于样本对的稀疏表示分类用于人脸识别

  2. 基于样本对的稀疏表示分类用于人脸识别

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：786kb
    • 提供者：weixin_38659527

  1. 特定于内核类的集中式字典学习用于人脸识别

  2. 作为一种基本而有效的方法，基于稀疏表示的分类（SRC）已在计算机视觉领域中应用了很多年。 但是，SRC假定每个类别中的训练样本对字典的贡献均相等，这将导致较高的残差和不稳定性。 为了解决该问题并进一步提高分类性能，提出了基于类的集中式字典学习算法。 CSCDL考虑了同一类中稀疏代码的集中程度，并显示出良好的识别性能，但是CSCDL仅适用于线性结构这一事实限制了其应用。 为了解决这个限制，在本文中，我们将CSCDL算法扩展到内核空间，并将非线性问题转化为线性问题。 内核函数和一些非线性映射用于将原

  3. 所属分类：其它

  1. 用于面部识别的特定于类别的词典学习

  2. 最近，基于稀疏表示的分类（SRC）已成功用于视觉识别，并显示了令人印象深刻的性能。给定一个测试样本，SRC将针对所有训练样本计算其稀疏线性表示，并为每类训练样本计算残留误差。但是，SRC认为每个班级中的训练样本对该班级中的字典的贡献均等，即字典由该班级中的训练样本组成。这可能会导致较高的残留误差和不稳定性。本文提出了一种基于类别的词典学习算法。首先，通过引入字典学习的对偶形式，表示了基向量与原始图像特征之间的明确关系，这增强了可解释性。因此，可以将SRC视为所提出算法的特殊情况。第二，然后应用逐

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：128kb
    • 提供者：weixin_38544625