关键词:
字典学习
深度字典学习
表达约束
模式分类
摘要:
近年来,随着传统字典学习算法的不断发展,其应用领域也不断扩大。传统字典学习在分类任务上取得了良好的分类性能。深度字典学习(Deep Dictionary Learning,DDL)则充分结合传统字典学习和深度学习的优点,旨在学习多层的字典并提取样本的多层抽象特征表达。因此深度字典学习算法也被广泛应用于分类任务。然而,现有的大多数基于深度字典学习的分类方法忽略了对多层次的表达约束,未能深入挖掘数据样本自身的结构信息。因此本文在深度字典学习的基础上充分考虑基于表达的约束并将其应用于模式分类,同时设计与实现基于深度字典学习的图像识别原型系统,本文的主要研究工作与创新性如下:(1)针对现有深度字典学习方法忽略了数据样本内部的结构信息,提出一种新的深度字典学习框架并将其应用于分类任务,称为分层图增强的深度协作字典学习(Hierarchical Graph Augmented Deep Collaborative Dictionary Learning,HGDCDL)。首先,针对最深层表示的学习,提出一种基于协作表示的深度协作字典学习(Deep Collaborative Dictionary Learning,DCDL),即对最深层的表示施加协作表示约束取代稀疏表示约束。其次,将分层图结构引入到深度字典学习中,对数据结构进行建模,并根据多层表示自适应地构建分层拉普拉斯图。最后,通过将分层图结构与DCDL模型相融合,进一步增强了学习到的多级字典和鉴别性表示的耦合性和有效性。在多个图像数据集上的实验结果验证了提出的HGDCDL能够得到更具鉴别性的表示从而提高了分类性能。(2)针对无监督的深度字典学习结构未能充分利用训练样本的标签信息且未能对不同层次学习到的表达进行有效约束,提出基于类内和类间约束的判别深度字典学习(Intra-and Inter-class Induced Discriminative Deep Dictionary Learning,DDDL)。在深度字典学习的框架上,引入了基于分层数据表示的类内紧凑性项和类间分离性项这两项判别性约束。分层结构中,类内紧凑性约束使得同类的表示更加紧凑,类间分离性约束使得异类的表示更加分离,从而特定类的数据表达在每一层都更具有鉴别性。在分类阶段,设计出类似于训练阶段的方式进行逐层贪婪优化,从而高效地学习最深层表示的封闭形式解。在分类任务上的综合实验和分析表明,DDDL模型有相较于对比方法更优越的识别结果。实验结果也表明了,即使在加入随机块遮挡的情况下,DDDL也可以取得良好的识别效果。(3)根据本文提出的DCDL方法、HGDCDL方法以及DDDL方法,设计并实现了一个基于深度字典学习的图像识别原型系统,该系统由系统管理与图像识别两大模块组成。系统开发使用C#与Matlab这两种编程语言,选用My SQL数据库实现数据的读写操作。该系统能够简单方便地实现本文所提的三种方法。并且经过多次的测试表明,本文提出的三种基于表达约束的深度字典的学习方法是行之有效的。