Resumen

En la clasificación basada en la representación dispersa (SRC) y en la SRC ponderada (WSRC), resolver el problema de la representación dispersa global requiere mucho tiempo. Se propone un WSRC discriminante (DWSRC) para el reconocimiento de especies vegetales a gran escala, que incluye dos etapas. En primer lugar, se construyen varios subdiccionarios dividiendo el conjunto de datos en varias clases similares, y se elige un subdiccionario por la máxima similitud entre la muestra de prueba y la muestra típica de cada clase similar. En segundo lugar, se calcula la representación dispersa ponderada de la imagen de prueba con respecto al subdiccionario elegido y, a continuación, se asigna la categoría de la hoja mediante el mínimo error de reconstrucción. A diferencia del SRC tradicional y de sus enfoques mejorados, representamos de forma dispersa la muestra de prueba en un subdiccionario cuyos elementos base son las muestras de entrenamiento de la clase similar seleccionada, en lugar de utilizar el diccionario genérico sobrecompleto en todas las muestras de entrenamiento. Así, se reduce la complejidad para resolver el problema de la representación dispersa. Además, DWSRC se adapta a las nuevas especies de hojas sin necesidad de reconstruir el diccionario. Los resultados experimentales en la base de datos de hojas de plantas de ICL muestran que el método tiene una baja complejidad computacional y una alta tasa de reconocimiento y puede ser interpretado claramente.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:problema de representación dispersa, muestra de prueba, clase similar seleccionada, varias clases similares, especies vegetales a escala, reconocimiento de especies vegetales, representación dispersa ponderada, muestra de entrenamiento completa, diccionario genérico sobrecompleto, especies de hojas añadidas
• Keywords:sparse representation problem, test sample, selected similar class, several similar class, scale plant species, plant species recognition, weighted sparse representation, entire training sample, generic overcomplete dictionary, added leaves species