Resumen

En este trabajo se propone un enfoque de reconocimiento de objetos de imagen basado en características profundas y en la representación conjunta dispersa ponderada adaptativa (D-AJSR). D-AJSR es un marco de clasificación de datos ligeros, que puede clasificar y reconocer bien los objetos con pocas muestras de entrenamiento. En D-AJSR, la red neuronal convolucional (CNN) se utiliza para extraer las características profundas de las muestras de entrenamiento y las muestras de prueba. A continuación, utilizamos la representación dispersa conjunta ponderada adaptativa para identificar los objetos, en la que los vectores propios se reconstruyen calculando los pesos de contribución de cada vector propio. Con el objetivo de resolver el problema de las características profundas, utilizamos el método de análisis de componentes principales (PCA) para reducir las dimensiones. Por último, en combinación con el modelo disperso conjunto, 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 conjunto. Basándose en el diccionario de características conjuntas, se utiliza un clasificador basado en la representación dispersa (SRC) para reconocer los objetos. Los experimentos con imágenes faciales y de teledetección muestran que D-AJSR es superior al método SRC tradicional y a otros métodos avanzados.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:características profundas, representación dispersa conjunta, diccionario de características conjuntas, ajsr, muestra de entrenamiento, marco de clasificación ligero, características de la imagen, modelo disperso conjunto, red neuronal convolucional, características de la muestra de entrenamiento
• Keywords:deep features, joint sparse representation, joint features dictionary, ajsr, training sample, lightweight classification framework, features of image, joint sparse model, convolutional neural network, training sample features