Resumen

En este trabajo se propone un enfoque de reconocimiento de imágenes de destino basado en características mixtas y en la representación conjunta dispersa ponderada adaptativa. Este método es robusto a la variación de la iluminación, la deformación y la rotación de la imagen objetivo. Se trata de un marco de clasificación de datos ligeros, que puede reconocer bien los objetivos con pocas muestras de entrenamiento. En primer lugar, se utiliza la transformada wavelet de Gabor y la red neuronal convolucional (CNN) para extraer las características wavelet de Gabor y las características profundas de las muestras de entrenamiento y las muestras de prueba, respectivamente. A continuación, se calculan los pesos de contribución del vector de características de la ondícula de Gabor y del vector de características profundas. Tras la reconstrucción ponderada adaptativa, podemos formar las características mixtas y obtener el conjunto de características de la muestra de entrenamiento y el conjunto de características de la muestra de prueba. Con el objetivo de resolver el problema de las características mixtas, utilizamos el análisis de componentes principales (PCA) para reducir las dimensiones. Por último, las características públicas y privadas de las imágenes se extraen del conjunto de características de la muestra de entrenamiento para construir el diccionario de características conjuntas. Basándose en el diccionario de características conjuntas, se utiliza el clasificador basado en la representación dispersa (SRC) para reconocer los objetivos. Los experimentos con diferentes conjuntos de datos muestran que este enfoque es superior a otros métodos avanzados.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:características de la muestra de entrenamiento, características wavelet de gabor, características mixtas, diccionario de características conjuntas, muestra de entrenamiento, marco de clasificación ligero, vector de características profundas, representación dispersa conjunta, red neuronal convolucional, características de entrenamiento
• Keywords:training sample features, gabor wavelet features, mixed features, joint features dictionary, training sample, lightweight classification framework, deep features vector, joint sparse representation, convolutional neural network, features of training