Resumen

La representación dispersa de naves tiene un problema de estabilidad debido a su naturaleza no supervisada, lo cual no es preferible para tareas de clasificación. Para este problema, este artículo presenta un método novedoso de aprendizaje de representaciones llamado representación local orientada a la clasificación (CoLR) para el reconocimiento de imágenes. La idea principal de CoLR es encontrar las clases y muestras de entrenamiento más relevantes con la muestra de prueba tomando ventaja del peso de dispersión por clase, la localidad de la muestra y la prioridad de la etiqueta. La estrategia de representación propuesta no solo puede promover una representación orientada a la clasificación, sino también impulsar una representación adaptativa a la localidad dentro de las clases de entrenamiento seleccionadas. El modelo CoLR se resuelve eficientemente mediante un esquema de Multiplicador de Lagrange Aumentado (ALM) basado en una estrategia de división de variables. Luego, se evalúa el rendimiento del modelo propuesto en conjuntos de datos de referencia de rostros y características de objetos profundos. Específicamente, las características

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Representación dispersa; Problema de estabilidad; Tareas de clasificación; Método de aprendizaje de representación; CoLR; Reconocimiento de imágenes
• Keywords:Sparse representation; Stability problem; Classification tasks; Representation learning method; CoLR; Image recognition