2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩67頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、圖像分類(lèi)識(shí)別是目前計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)。其中,基于線(xiàn)性編碼分類(lèi)器的圖像識(shí)別方法因其識(shí)別效率較高,受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。然而,現(xiàn)有的基于線(xiàn)性編碼的識(shí)別方法在圖像存在光照變化、視角變化、遮擋或者像素污染等情況下,魯棒性較差,從而導(dǎo)致最終的識(shí)別效果不佳。本文在線(xiàn)性編碼框架下,對(duì)圖像特征提取及識(shí)別進(jìn)行了深入系統(tǒng)的研究,主要?jiǎng)?chuàng)新點(diǎn)如下:
  1)提出一種用于稀疏表示分類(lèi)器(SRC)的特征提取方法——稀疏嵌入投影(SE

2、P)。該方法尋求一個(gè)低維嵌入子空間,使得在該子空間中,與測(cè)試樣本同類(lèi)的訓(xùn)練樣本所對(duì)應(yīng)的表示系數(shù)得到增強(qiáng),而所有與測(cè)試樣本不同類(lèi)的訓(xùn)練樣本所對(duì)應(yīng)的表示系數(shù)得到壓縮,從而導(dǎo)致正確類(lèi)對(duì)應(yīng)的重構(gòu)誤差小于錯(cuò)誤類(lèi)對(duì)應(yīng)的重構(gòu)誤差,進(jìn)而使SRC能夠?qū)y(cè)試樣本正確分類(lèi)。具體地,給定一個(gè)訓(xùn)練樣本矩陣,該方法首先嘗試求解一個(gè)能在增強(qiáng)樣本數(shù)據(jù)類(lèi)內(nèi)重構(gòu)關(guān)系的同時(shí),壓縮其類(lèi)間重構(gòu)關(guān)系的低維嵌入子空間;然后,將訓(xùn)練樣本圖像和測(cè)試樣本圖像分別投影到該子空間中;最后,采

3、用SRC對(duì)測(cè)試樣本進(jìn)行分類(lèi)識(shí)別;
  2)研究發(fā)現(xiàn),低秩性可以揭示樣本數(shù)據(jù)的子空間結(jié)構(gòu),而稀疏性可以幫助圖像分類(lèi)識(shí)別。結(jié)合稀疏性和低秩性的特點(diǎn),本文提出一種基于低秩稀疏表示分類(lèi)器(LRSRC)的圖像識(shí)別方法。具體地,給定一組測(cè)試樣本,首先在所有訓(xùn)練樣本上尋找測(cè)試樣本組的最低秩且最稀疏表示矩陣;然后,基于每個(gè)測(cè)試樣本的最低秩稀疏表示向量,對(duì)每個(gè)測(cè)試樣本進(jìn)行重構(gòu)并計(jì)算其類(lèi)重構(gòu)誤差;最后,根據(jù)最小類(lèi)重構(gòu)誤差完成對(duì)每個(gè)測(cè)試樣本的分類(lèi)識(shí)別;

4、
  3)提出一種自適應(yīng)局部約束正則化魯棒編碼(ALRRC)圖像識(shí)別方法。由于在編碼過(guò)程中同時(shí)考慮了樣本數(shù)據(jù)特征的重要性和樣本數(shù)據(jù)的空間局部性,因此,ALRRC可以使用那些更“真實(shí)”的最近鄰訓(xùn)練樣本來(lái)表示測(cè)試樣本。具體地,給定一個(gè)測(cè)試樣本,該方法首先自適應(yīng)地計(jì)算用于衡量測(cè)試樣本每個(gè)特征重要性的特征權(quán)重,并基于這些權(quán)重,得到加權(quán)測(cè)試樣本和所有加權(quán)訓(xùn)練樣本;然后,基于加權(quán)測(cè)試樣本和所有加權(quán)訓(xùn)練樣本間的相似關(guān)系,得到一個(gè)局部約束矩陣。由

5、于加權(quán)測(cè)試樣本和所有加權(quán)訓(xùn)練樣本已經(jīng)盡可能地降低了異常特征的影響,因此,該局部約束矩陣可以更“真實(shí)”地描述樣本數(shù)據(jù)的空間局部特性;最后,將樣本特征權(quán)重和局部約束矩陣同時(shí)融入到一個(gè)統(tǒng)一的線(xiàn)性編碼框架中,求解測(cè)試樣本的表示系數(shù)向量,進(jìn)而計(jì)算最小加權(quán)類(lèi)重構(gòu)誤差,完成對(duì)測(cè)試樣本的分類(lèi)識(shí)別。
  在COIL-20、ExtendedYale B、CMU PIE和AR數(shù)據(jù)庫(kù)上的大量實(shí)驗(yàn)表明,本文提出的三種圖像識(shí)別方法具有較高的識(shí)別率和更強(qiáng)的魯棒

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論