推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

多层融合深度局部PCA子空间稀疏优化特征提取模型

更新时间:2019-12-24 04:47:24 大小:1M 上传用户:zhiyao6查看TA发布的资源 标签:子空间pca 下载积分:1分 评价赚积分 (如何评价?) 收藏 评论(0) 举报

资料介绍

子空间方法是主要利用全局信息的经典模式识别方法,随着深度学习思想的引入,局部自学习结构特征模型得到大家的关注.利用深度学习原理,本文提出一种多层融合的深度局部子空间稀疏优化特征自学习抽取模型解决目标识别问题.首先,对训练样本集通过最小化重构误差得到第一层的主成分(Principal Component Analysis,PCA)特征映射矩阵;然后,通过L1范数约束对特征映射结果进行稀疏优化,提高算法鲁棒性.接着,在第二层映射层以第一层的特征输出为输入,进行同样的特征矩阵学习操作,最终将图像映射至深层PCA子空间;然后,对各个映射层的特征提取结果进行加权融合,进行二值化哈希编码和直方图分块编码,提取图像的深度子空间稀疏特征.在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明,该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性,并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点.


部分文件列表

文件名 大小
多层融合深度局部PCA子空间稀疏优化特征提取模型.pdf 1M

部分页面预览

(完整内容请下载后查看)
10  
Vol. 45 No. 10  
Oct. 2017  
2017  
10  
ACTA ELECTRONICA SINICA  
PCA  
层融合部  
空间  
化特征提取型  
胡正平 陈俊岭  
(
大学信息科学工程学院 皇岛  
066004)  
:
, ,  
空间主要利用信息的引入 自学特  
,  
征模大家的关注 利用本文提出一层融合空间化特征自学型  
,  
解决标识别问题 训练通过小化重构分  
( Principal Component Analysis,  
PCA)  
; , L ,  
特征映射通过 约束特征映射结提高算法鲁棒在第映射层  
1
, ,  
以第一层特征入 进行同特征作 最映射层  
PCA  
; ,  
空间 映射  
, , .  
特征提取行加融合 哈希提取空间特征 在  
FE-  
RETARYale MNISTCIFAR-10  
数据及  
数据算法取得较高识  
、 、 、  
别率及较照 表脸朝鲁棒性 并且相网络习框具有速度等  
点  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
层融合 空间 化  
:
TP391. 4  
:
A
: 0372-2112 ( 2017) 10-2383-07  
DOI: 10. 3969 /j. issn. 0372-2112. 2017. 10. 011  
文献标识码  
文章编号  
电子学报  
Feature Extraction Model Based on Multi-layered  
Deep Local Subspace Sparse Optimization  
HU Zheng-pingCHEN Jun-ling  
( School of Information Science and EngineeringYanshan UniversityQinhuangdaoHebei 066004China)  
Abstract: Subspace method is classical pattern recognition methodthat uses global information mainly to denote an  
image. Recentlywith the introduction of deep learningthe feature extraction model based on local self-learning has attracted  
more and more attention. By using the theory of deep learningthis paper presents a new feature extraction model based on  
multi-layered deep local subspace sparse optimization to solve the problem of object recognition. Firstlywe calculate the  
PCA mapping matrix on the first layer by minimizing the reconstruction error on the training sample setthen we optimize  
the feature mapping results through L norm to enhance the robustness of algorithm. Secondlywe use the output of the first  
1
layer as the input of second layerthen we implement same actions of feature learning. In this way we can map the image to  
deep PCA subspace. Finally we merge these feature extraction results from different layers with weighting and encode the  
merged feature with binary hash code and histogram segment code. After thatwe obtain the multi-layered deep local sub-  
space sparse feature. The experimental results on face database of FERETARYale and target database of MNISTCIFAR-  
10 show that this feature extraction model can achieve high recognition rate and robustness for illuminationexpression and  
pose. At the same timecompared with the convolutional neural networksour algorithm owns the advantages of simple struc-  
ture and fast convergent rate.  
Key words: deep learning; multi-layered fusion; subspace; sparse optimization  
: 2016-03-16;  
: 2016-09-06; :  
责任编辑  
收稿日期  
修回日期  
2384  
2017  
PCA  
本文提出一层融合度  
空间化  
1
引言  
特征提取算法 典  
PCA  
特征结  
PCA  
技术最具挑战的研究方  
空间 并不同层次  
映射层  
空间特征映射结行加融合 通过算  
FERETAR、  
.  
面有着广泛脸  
的发展主要阶段 的基于子空  
在  
, ,  
别算法 算法 再到人  
Yale  
等人数据该方训练样  
间人要包 括  
下 其确率空间很  
1  
Turk  
Principal Component Analysis( PCA)  
提出的  
PCANet  
提高 算法鲁棒比  
法也  
数据验  
该方法和网络习框架的别  
2]  
( Eigenface)  
Belhumeur  
Fisher  
脸  
( FisherFace)  
法和  
提出的  
MNISTCIFAR-10  
在  
特征基  
3]  
以  
Back Propagation( BP)  
络  
、  
速度快  
Support Vector Machine ( SVM)  
支 持 向 量 表  
2
PCA  
 
度  
4]  
代表别算法 使得人们  
. 2006  
数据层面对了更层次解  
2. 1 DPCA  
 
5]  
Hinton  
提出网络具有特征  
型在一定分层信息  
19]  
13]  
“  
其在网络训练以通过 层  
Sun Y  
机制 似  
通过网络的  
.  
式来降低 的大年  
研究 数据层面度分层特征模型在特征提取  
研究的多的学将  
,  
过程中具有特征性和特征鲁棒性 提  
6]  
空间其中  
Chan  
提出的  
特征映射描述 因  
PCA Network( PCANet)  
了  
多的研究寻找新的有效的多特  
15]  
向  
Liong  
PCA( DPCA)  
提出度 算法于  
征模型  
空间算法  
DPCA  
( Convolutional Neural NetworkCNN)  
网络  
为目广泛提取图  
1
算法流层对入  
Local Binary Patterns( LBP) Histo-  
于  
gram of Oriented Gradients( HOG) Gabor  
ZCA , ,  
征之性  
行  
7]  
8]  
等人构  
降低冗余 然行  
PCA  
映射 成  
特征 其在表现色  
, ,  
信息 在第中 以一层特征入 进  
2012 ImageNet CNN  
年的  
基于  
学  
名  
DeepFace  
,  
行同作 得映射后特征 将  
9]  
型在取得名  
特征映射结行加融合 训  
10]  
10% . 2014  
Taigman  
少  
提出 的  
使行  
LFW  
在  
97%  
数据到  
确率 之  
CNN  
脸  
预测  
11 - 13]  
Sun  
DeepID  
由  
提出的  
算法将  
网络准  
确率高 多 其过程而且  
99. 75% .  
确率提高了  
, ,  
要依速度研究人  
14]  
. Lu  
寻找简单有效架  
PCA( WPCA)  
网络中的映射权  
映射  
生成融合得特征向量  
15]  
. Liong  
PCA  
提 出 度  
提高 网 络 收 能  
( Deep PCADPCA)  
别算法 通过构层  
PCA  
2. 2 PCANet  
模型  
映射网络 合  
ZCA . Chan  
提取空间特征  
16]  
2015  
Chan  
PCANet  
提出的  
别算法度  
16]  
17]  
DPCA  
基础展 在  
2DPCA  
内  
空间型的算法 在  
DPCA  
算法的基础上  
哈希了  
PCANet  
17]  
的  
2DPCA  
心 在双  
、 、  
别率  
特征映射入特征进特征提  
18]  
95%  
基础上  
Huang  
PCANet  
到  
, , ,  
哈希鲁棒特征 具  
, ,  
线器相合 应用于算法鲁  
2
示  
面有提高  

全部评论(0)

暂无评论