基于稀疏表示全局字典学习图像分类方法.docVIP

基于稀疏表示全局字典学习图像分类方法 　　摘要：针对传统的稀疏表示字典学习图像分类方法在大规模分布式环境下效率低下的问题，设计一种基于稀疏表示全局字典的图像学习方法。将传统的字典学习步骤分布到并行节点上，使用凸优化方法在节点上学习局部字典并实时更新全局字典，从而提高字典学习效率和大规模数据的分类效率。最后在MapReduce平台上进行并行化实验，结果显示该方法在不影响分类精度的情况下对大规模分布式数据的分类有明显的加速，可以更高效地运用于各种大规模图像分类任务中。 　　关键词：字典学习；图像分类；稀疏表示；大规模数据；MapReduce 　　中图分类号： TP18； TP311 文献标志码：A 　　Abstract： To address the problem of low efficiency for traditional massive image classification， a sparse representation based global dictionary learning method was designed. 　　The traditional dictionary learning steps were distributed to parallel nodes， local dictionaries were first learnt in local nodes and then a global dictionary was updated in real time by those local dictionaries and variables through using convex optimization method， thereby enhancing the efficiency of dictionary learning and classification of massive data. Experiments on the MapReduce platform show that the new algorithm has better performance than classical image classification methods without affecting the classification accuracy， and the new algorithm can be widely used in massive and distributed image classification tasks. 　　Key words： dictionary learning； image classification； sparse representation； massive data； MapReduce 　　0 引言 　　基于稀疏表示的分类（Sparse Representation based Classification， SRC）[1]和字典学习（Dictionary Learning， DL）[2]是近年来机器学习和模式识别领域内的热门课题，由于其出色的学习效果和性能，在图像分类领域得到了广泛应用。所谓稀疏表示，是指一个高维图像可以由代表性样本在一个低维的流形上进行编码。利用编码的稀疏性，可以提高分类效率。稀疏表示包含编码和分类两个步骤：编码阶段将图像用一系列原子特征图像的字典进行编码；分类阶段利用编码的系数和字典进行分类学习。最初的字典是直接利用原始训练数据进行表示[3]，这种方法容易带来噪声数据，而且字典过于庞大，所以有研究者提出字典学习的概念[4]，即对每类数据学习一个字典来表示图像，这样能大大降低计算复杂度。典型的字典学习算法如K奇异值分解（KSingular Value Decomposition， KSVD）[5-6]，该算法过度依赖样本拟合度，难以准确地进行分类。为了增加分类的区分度，Mairal等[7]在原字典学习模型中增加了区分性重构约束；但这种方法不是凸集，而且未挖掘稀疏编码的区分度。 　　之后又提出了通过训练编码稀疏进行分类的区分性字典学习方法[7]并用于信号重构任务中。 　　无论是最新的稀疏表示还是字典学习，都难以在大规模分布式平台发挥最佳性能[8]。一方面，传统的单机方法需要将数据存入内存进行处理，这在大规模分布式数据下变得不可能；另一方面，随着互联网的日益发展，大规模数据已经呈现爆炸式增长[9]，这对算法的性能提出了更高的要求。这些要求催生了分布式、云计算等大规模运算平台的发展，为解决大数据问题带来了可能。所以迫切需要对传统的图像分类算法进行改进，以适应大规模分布式平台。