HỌC TỪ ĐIỂN KHÔNG MẠCH LẠC VỚI RÀNG BUỘC CỤC BỘ ĐẠI DIỆN HẠNG THẤP TRONG PHÂN LOẠI HÌNH ẢNH

Nguyễn Hoàng Vũ; Trần Quốc Cường

doi:10.34238/tnu-jst.9733

HỌC TỪ ĐIỂN KHÔNG MẠCH LẠC VỚI RÀNG BUỘC CỤC BỘ ĐẠI DIỆN HẠNG THẤP TRONG PHÂN LOẠI HÌNH ẢNH

Thông tin bài báo

Ngày nhận bài: 20/02/24 Ngày hoàn thiện: 28/03/24 Ngày đăng: 29/03/24

Các tác giả

1. Nguyễn Hoàng Vũ , Trường Đại học Tiền Giang
2. Trần Quốc Cường, Trường Đại học Tiền Giang

Tóm tắt

Biểu diễn hạng thấp (LRR) đóng một vai trò quan trọng trong các nhiệm vụ phân loại hình ảnh do khả năng nắm bắt cấu trúc cơ bản và các biến thể trong dữ liệu hình ảnh. Tuy nhiên, các phương pháp học từ điển dựa trên biểu diễn hạng thấp thường gặp khó khăn trong việc tận dụng thông tin phân biệt trong hình ảnh một cách hiệu quả. Để giải quyết vấn đề này, chúng tôi đề xuất một phương pháp học từ điển không mạch lạc với ràng buộc cục bộ trong đại diện hạng thấp (LCLRR-IDL) để phân loại hình ảnh. Đầu tiên, chúng tôi giới thiệu cách biểu diễn hạng thấp để xử lý nhiễu trong dữ liệu huấn luyện và kiểm tra. Thứ hai, chúng tôi kết hợp ràng buộc cục bộ để nhận biết cấu trúc đa dạng nội tại của dữ liệu huấn luyện, đảm bảo các mẫu tương tự có cách biểu diễn tương tự nhau. Thứ ba, chúng tôi huấn luyện một từ điển không mạch lạc nhỏ gọn với các ràng buộc cục bộ trong biểu diễn hạng thấp để phân loại hình ảnh. Kết quả thử nghiệm trên cơ sở dữ liệu tiêu chuẩn đã xác nhận tính hiệu quả của phương pháp đề xuất.

Từ khóa

Phân loại hình ảnh; Đại diện hạng thấp; Ràng buộc cục bộ; Học từ điển; Từ điển không mạch lạc

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] Z. Jiang, Z. Lin, and L. S. Davis, “Label consistent K-SVD: Learning a discriminative dictionary for recognition,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 11, pp. 2651–2664, 2013, doi: 10.1109/TPAMI.2013.88.

[2] M. Yang, L. Zhang, X. Feng, and D. Zhang, “Fisher Discrimination Dictionary Learning for sparse representation,” in Proceedings of the IEEE International Conference on Computer Vision, 2011, pp. 543–550, doi: 10.1109/ICCV.2011.6126286.

[3] G. Zhang, J. Yang, Y. Zheng, Z. Luo, and J. Zhang, “Optimal discriminative feature and dictionary learning for image set classification,” Inf. Sci. (Ny)., vol. 547, pp. 498–513, Feb. 2021, doi: 10.1016/j.ins.2020.08.066.

[4] B.-Q. Yang, X.-P. Guan, J.-W. Zhu, C.-C. Gu, K.-J. Wu, and J.-J. Xu, “SVMs multi-class loss feedback based discriminative dictionary learning for image classification,” Pattern Recognit., vol. 112, Apr. 2021, Art. no. 107690, doi: 10.1016/j.patcog.2020.107690.

[5] H. Nguyen, W. Yang, B. Sheng, and C. Sun, “Discriminative low-rank dictionary learning for face recognition,” Neurocomputing, vol. 173, pp. 541–551, Jan. 2016, doi: 10.1016/j.neucom.2015.07.031.

[6] H. V. Nguyen, Q. C. Tran, and T. P. Tran “Discriminative Dictionary Pair Learning for Image Classification,” J. Comput. Sci. Cybern., vol. 36, no. 4, pp. 347–363, 2020, doi: 10.15625/1813-9663/36/4/15105.

[7] H. F. Yin, X. J. Wu, and S. G. Chen, “Locality Constraint Dictionary Learning with Support Vector for Pattern Classification,” IEEE Access, vol. 7, pp. 175071–175082, 2019, doi: 10.1109/ACCESS. 2019.2957417.

[8] Y. Peng, S. Liu, X. Wang, and X. Wu, “Joint local constraint and fisher discrimination based dictionary learning for image classification,” Neurocomputing, vol. 398, pp. 505–519, Jul. 2020, doi: 10.1016/j.neucom.2019.05.103.

[9] J. Huang, K. Liu, and X. Li, “Locality Constrained Low Rank Representation and Automatic Dictionary Learning for Hyperspectral Anomaly Detection,” Remote Sens., vol. 14, no. 6, Mar. 2022, Art. no. 1327, doi: 10.3390/rs14061327.

[10] G. Liu, Z. Lin, S. Yan, J. Sun, Y. Yu, and Y. Ma, “Robust recovery of subspace structures by low-rank representation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 1, pp. 171–184, 2013, doi: 10.1109/TPAMI.2012.88.

[11] Y. Li, J. Liu, H. Lu, and S. Ma, “Learning robust face representation with classwise block-diagonal structure,” IEEE Trans. Inf. Forensics Secur., vol. 9, no. 12, pp. 2051–2062, 2014, doi: 10.1109/TIFS.2014.2361936.

[12] L. Wei, A. Wu, and J. Yin, “Latent space robust subspace segmentation based on low-rank and locality constraints,” Expert Syst. Appl., vol. 42, no. 19, pp. 6598–6608, 2015, doi: 10.1016/j.eswa. 2015.04.041.

[13] Z. Lin, M. Chen, and Y. Ma, “The Augmented Lagrange Multiplier Method for Exact Recovery of Corrupted Low-Rank Matrices,” Journal of Structural Biology, Sep. 2010, doi: 10.1016/j.jsb.2012.10.010.

[14] T.-Y. Hung, J. Lu, Y.-P. Tan, and S. Gao, “Efficient Sparsity Estimation via Marginal-Lasso Coding,” in Proceedings of Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Part IV 13, Springer, 2014, pp. 578–592.

[15] A. M. Martinez and A. C. Kak, “PCA versus LDA,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 23, no. 2, pp. 228–233, Feb. 2001, doi: 10.1109/34.908974.

[16] L. Fei-Fei, R. Fergus, and P. Perona, “Learning generative visual models from few training examples: An incremental bayesian approach tested on 101 object categories,” in 2004 conference on computer vision and pattern recognition workshop, IEEE, 2004, p. 178.

[17] J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, “Robust face recognition via sparse representation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 2, pp. 210–227, 2009, doi: 10.1109/TPAMI.2008.79.

[18] Y. Zhang, Z. Jiang, and L. S. Davis, “Learning structured low-rank representations for image classification,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., 2013, pp. 676–683, doi: 10.1109/CVPR.2013.93.

DOI: https://doi.org/10.34238/tnu-jst.9733

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ