基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf

基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf

ID:52469854

大?。?07.06 KB

頁數(shù):8頁

時間:2020-03-27

基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf_第1頁
基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf_第2頁
基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf_第3頁
基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf_第4頁
基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf_第5頁
資源描述:

《基于判別性低秩字典學(xué)習(xí)的稀疏表示人臉圖像識別.pdf》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、SparseRepresentationforFaceRecognitionbasedonDiscriminativeLow-RankDictionaryLearningLongMa,ChunhengWang,BaihuaXiao,WenZhouStateKeyLaboratoryofManagementandControlforComplexSystemsInstituteofAutomationChineseAcademyofSciences95ZhongguancunEastRoad,100190,BEIJING,CHINA{long.ma,ch

2、unheng.wang,baihua.xiao,wen.zhou}@ia.ac.cnAbstractmizationproblem:minxs.t.y=Dx(1)1Inthispaper,weproposeadiscriminativelow-rankxdictionarylearningalgorithmforsparserepresentation.whereDisanover-completedictionary,xisthesparseco-Sparserepresentationseeksthesparsestcoef?cientstor

3、ep-ef?cientvector,andyisthetestsignal.Toimprovetheper-resentthetestsignalaslinearcombinationofthebasesinformanceofsparserepresentation,Yang[30]proposedro-anover-completedictionary.Motivatedbylow-rankma-bustsparsecodingtomodelthesparsecodingasasparsity-trixrecoveryandcompletion,a

4、ssumethatthedatafromtheconstrainedrobustregressionproblem;Liu[21]constrainedsamepatternarelinearlycorrelated,ifwestackthesedatathesparsecoef?cientstobenonnegative;Huang[14]ex-pointsascolumnvectorsofadictionary,thenthedictio-ploitedtheclusteringtendsinnonzerocoef?cients.Thesenary

5、shouldbeapproximatelylow-rank.Anobjectivefunc-algorithmsusedtheoff-the-shelfbasesasthedictionary.tionwithsparsecoef?cients,classdiscriminationandrankLearningthedictionaryhasbeenprovedtoimprovethesig-minimizationisproposedandoptimizedduringdictionarynalreconstructiondramatically[

6、8].Severalalgorithmshavelearning.Wehaveappliedthealgorithmforfacerecogni-beenproposedtooptimizetheatoms.Aharon[1]general-tion.Numerousexperimentswithimprovedperformancesizedthek-meansclusteringprocessandproposedK-SVDoverpreviousdictionarylearningmethodsvalidatetheef-algorithm,th

7、ealgorithmiterativelyupdatedthesparsecod-fectivenessoftheproposedalgorithm.ingofthesamplesbasedonthecurrentdictionaryandthenoptimizedthedictionaryatomstobetter?tthedata.Mairal[23]proposedanenergyformulationwithbothsparsere-constructionandclassdiscriminativecomponents.Anon-1.Intr

8、oductionlinedictionarylearning[22]algorithmbase

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動畫的文件,查看預(yù)覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負責(zé)整理代發(fā)布。如果您對本文檔版權(quán)有爭議請及時聯(lián)系客服。
3. 下載前請仔細閱讀文檔內(nèi)容,確認文檔內(nèi)容符合您的需求后進行下載,若出現(xiàn)內(nèi)容與標題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡(luò)波動等原因無法下載或下載錯誤,付費完成后未能成功下載的用戶請聯(lián)系客服處理。