稀疏表示中字典學(xué)習(xí)的研究及應(yīng)用.pdf

1、近些年，稀疏表示被成功地應(yīng)用在很多領(lǐng)域，包括圖像去噪、圖像超分辨率、面部識別、以及更難的任務(wù)如圖像分類、物體識別等領(lǐng)域。這主要是因為很多高維的自然信號近似地存在于一個低維的子空間，這樣一個信號可以用少量的原子（atoms）近似的表示。稀疏編碼的質(zhì)量依賴于字典的選擇，大量的實驗表明從原始信號中學(xué)習(xí)到的字典包含了原始信號的語義信息，比那些事先定義的字典如小波wavelets、離散的余弦變換（DCT）、離散的傅立葉變換（DFC）表示效果更好。

2、因此學(xué)習(xí)一個適定的字典非常重要。本文在深入研究現(xiàn)有字典學(xué)習(xí)模型的基礎(chǔ)上，主要貢獻有：
　　1.提出了一個判別結(jié)構(gòu)化字典學(xué)習(xí)算法，此算法對于不同類的訓(xùn)練采樣學(xué)習(xí)了一個共享的字典，同時保持了字典判別的結(jié)構(gòu)化特性，使同一類的稀疏編碼在該字典下盡量相同，不同類的稀疏編碼盡量不同。字典學(xué)習(xí)過程中同時學(xué)習(xí)了一個線性分類器，使分類變得簡單。
　　2.對于大規(guī)模和動態(tài)訓(xùn)練集，提出了一個半監(jiān)督在線字典學(xué)習(xí)算法，依據(jù)梯度近似理論，保證了算法收斂