Phân loại hình ảnh sử dụng ràng buộc cục bộ đại diện hạng thấp

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản 13/06/2022
Download
PDF
Statistic
Số 12/2022

##plugins.themes.academic_pro.article.main##

Nguyễn Hoàng Vũ
Trần Quốc Cường

Tóm tắt

Đại diện hạng thấp đã được sử dụng hiệu quả trong phân đoạn không gian con, đại diện tốt cho dữ liệu, và trích xuất đặc điểm từ dữ liệu bị hỏng. Bài báo này đề xuất một phương pháp phân loại hình ảnh sử dụng đại diện hạng thấp (LRRC). Bằng cách bổ sung ràng buộc cục bộ vào hàm mục tiêu và huấn luyện một từ điển nhằm loại bỏ vấn để ảnh hưởng của nhiễu, một đại diện hạng thấp cho dữ liệu hình ảnh huấn luyện tương ứng với một từ điển đã đạt được. Với ý nghĩa về về cấu trúc thông tin và khả năng phân biệt mạnh, đại diện này rất phù hợp cho nhiệm vụ phân loại hình ảnh. Kết quả thực nghiệm trên các tập dữ liệu hình ảnh tiêu chuẩn đã chứng minh tính hiệu quả của phương pháp đề xuất.

##plugins.themes.academic_pro.article.details##

Tiểu sử của Tác giả

Nguyễn Hoàng Vũ

Trường Đại học Tiền Giang

Trần Quốc Cường

Khoa Kỹ thuật Công nghệ, Trường Đại học Tiền Giang

Cách trích dẫn
Nguyễn Hoàng , V., & Trần Quốc, C. (2022). Phân loại hình ảnh sử dụng ràng buộc cục bộ đại diện hạng thấp . JSTGU, (12), 100–109. Truy vấn từ http://js.tgu.edu.vn/index.php/tckh/article/view/119

Tài liệu tham khảo

  1. . G. Liu, Z. Lin, S. Yan, J. Sun, Y. Yu, and Y. Ma, “Robust recovery of subspace structures by low-rank representation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 1, pp. 171–184, 2013, doi: 10.1109/TPAMI.2012.88.
  2. .J. Chen and J. Yang, “Robust subspace segmentation via low-rank representation,” IEEE Trans. Cybern., vol. 44, no. 8, pp. 1432–1445, 2014, doi: 10.1109/TCYB.2013.2286106.
  3. .Z. Hu, F. Nie, R. Wang, and X. Li, “Low Rank Regularization: A review,” Neural Networks, vol. 136, pp. 218–232, 2021, doi: 10.1016/j.neunet.2020.09.021.
  4. .L. Ma, C. Wang, B. Xiao, and W. Zhou, “Sparse representation for face recognition based on discriminative low-rank dictionary learning,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2012, pp. 2586–2593, doi: 10.1109/CVPR.2012.6247977.
  5. .T. Zhang, B. Ghanem, S. Liu, … C. X.-P. of the, and undefined 2013, “Low-rank sparse coding for image classification,” openaccess.thecvf.com, 2013, doi: 10.1109/ICCV.2013.42.
  6. .L. Li, S. Li, and Y. Fu, “Learning low-rank and discriminative dictionary for image classification,” Image Vis. Comput., vol. 32, no. 10, pp. 814–823, 2014, doi: 10.1016/j.imavis.2014.02.007.
  7. .H.-F. Yin, X.-J. Wu, and J. Kittler, “Face Recognition via Locality Constrained Low Rank Representation and Dictionary Learning,” 2019, Accessed: Mar. 01, 2020. [Online]. Available: https://github.com/yinhefeng/LCLRRDL.
  8. .P. Xie, H.-F. Yin, and X.-J. Wu, “Low-rank representations with incoherent dictionary for face recognition,” 2019, Accessed: Apr. 06, 2020. [Online]. Available: http://arxiv.org/abs/1912.04478.
  9. .H. Nguyen, W. Yang, B. Sheng, and C. Sun, “Discriminative low-rank dictionary learning for face recognition,” Neurocomputing, vol. 173, pp. 541–551, Jan. 2016, doi: 10.1016/j.neucom.2015.07.031.
  10. .Q. Wang, X. He, and X. Li, “Locality and structure regularized low rank representation for hyperspectral image classification,” IEEE Trans. Geosci. Remote Sens., vol. 57, no. 2, pp. 911–923, 2019, doi: 10.1109/TGRS.2018.2862899.
  11. .J. Li, H. Chang, and J. Yang, “Learning discriminative low-rank representation for image classification,” Proc. Int. Jt. Conf. Neural Networks, no. September, pp. 313–318, 2014, doi: 10.1109/IJCNN.2014.6889401.
  12. .L. Wei, A. Wu, and J. Yin, “Latent space robust subspace segmentation based on low-rank and locality constraints,” Expert Syst. Appl., vol. 42, no. 19, pp. 6598–6608, 2015, doi: 10.1016/j.eswa.2015.04.041.
  13. .M. Belkin and P. Niyogi, “Laplacian eigenmaps for dimensionality reduction and data representation,” Neural Comput., vol. 15, no. 6, pp. 1373–1396, 2003, doi: 10.1162/089976603321780317.
  14. .Y. Zhang, Z. Jiang, and L. S. Davis, “Learning structured low-rank representations for image classification,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 676–683, 2013, doi: 10.1109/CVPR.2013.93.
  15. .C.-F. Chen, C.-P. Wei, and Y.-C. F. Wang, “Low-rank matrix recovery with structural incoherence for robust face recognition,” ieeexplore.ieee.org, 2012, doi: 10.1109/CVPR.2012.6247981.
  16. .Y. Rong, S. Xiong, and Y. Gao, “Low-rank double dictionary learning from corrupted data for robust image classification,” Pattern Recognit., vol. 72, pp. 419–432, 2017, doi: 10.1016/j.patcog.2017.06.038.
  17. .J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, “Robust face recognition via sparse representation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 2, pp. 210–227, 2009, doi: 10.1109/TPAMI.2008.79.
  18. .Z. Lin, M. Chen, and Y. Ma, “The Augmented Lagrange Multiplier Method for Exact Recovery of Corrupted Low-Rank Matrices,” Sep. 2010, doi: 10.1016/j.jsb.2012.10.010.
  19. .M. Aharon, M. Elad, and A. Bruckstein, “K-SVD: An algorithm for designing overcomplete dictionaries for sparse representation,” IEEE Trans. Signal Process., vol. 54, no. 11, pp. 4311–4322, 2006, doi: 10.1109/TSP.2006.881199.
  20. .A. S. Georghiades, P. N. Belhumeur, and D. J. Kriegman, “From few to many: Illumination cone models for face recognition under variable lighting and pose,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 23, no. 6, pp. 643–660, Jun. 2001, doi: 10.1109/34.927464.
  21. .A. Mart Nez and R. Benavente, “The AR Face Database,” CVC Tech. Rep., 1998, Accessed: Apr. 06, 2020. [Online]. Available: http://rvl1.ecn.purdue.edu/aleix/aleixfaceDB.htmlorhttp://RVL.www.ecn.purdue.edu.
  22. .L. Fei-Fei, R. Fergus, and P. Perona, “Learning generative visual models from few training examples: An incremental Bayesian approach tested on 101 object categories,” Comput. Vis. Image Underst., vol. 106, no. 1, pp. 59–70, Apr. 2007, doi: 10.1016/j.cviu.2005.09.012.
  23. .Y. Li, J. Liu, H. Lu, and S. Ma, “Learning robust face representation with classwise block-diagonal structure,” IEEE Trans. Inf. Forensics Secur., vol. 9, no. 12, pp. 2051–2062, 2014, doi: 10.1109/TIFS.2014.2361936.