Resumen

El método de clasificación basado en representación dispersa (SRC) y el método de clasificación basado en representación colaborativa (CRC) han atraído cada vez más atención en los últimos años debido a sus prometedores resultados y robustez. Sin embargo, tanto los algoritmos SRC como CRC utilizan directamente las muestras de entrenamiento como diccionario, lo que conduce a un gran error de ajuste. En este artículo, proponemos el algoritmo de aprendizaje de diccionario específico de clase de incrustación de grafos de Laplace (LGECSDL), que entrena una matriz de pesos e incrusta un grafo de Laplace para reconstruir el diccionario. En primer lugar, puede aumentar la dimensión de la matriz del diccionario, que puede utilizarse para clasificar la base de datos de muestras pequeñas. En segundo lugar, proporciona diferentes átomos de diccionario con diferentes pesos para mejorar la precisión de la clasificación. Además, en el proceso de entrenamiento del diccionario de cada clase, el algoritmo LGECSDL introduce el método de incrustación del grafo de Laplace en la función objetivo para mantener la estructura local de cada clase, y el método propuesto es capaz de mejorar el rendimiento del reconocimiento facial de acuerdo con el aprendizaje del diccionario específico de la clase y el regularizador de incrustación del grafo de Laplace. Además, extendemos el método propuesto a un espacio kernel arbitrario. Amplios resultados experimentales en varias bases de datos de referencia de reconocimiento facial demuestran el rendimiento superior de nuestro algoritmo propuesto.

• Materias:Ingeniería electrónica Redes Inalámbricas Modelo computacional Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Computational Model Signal processing computer-assisted Data processing
• Palabras claves:grafo de laplace, método, aprendizaje de diccionario específico, clase, proceso de formación de diccionario de clase, varias bases de datos de referencia de reconocimiento facial, amplios resultados experimentales, espacio de núcleo arbitrario, diferentes átomos de diccionario, gran error de ajuste
• Keywords:laplace graph, method, specific dictionary learning, class, class dictionary training process, several face recognition benchmark databases, extensive experimental results, arbitrary kernel space, different dictionary atoms, large fitting error