面向图像表达的非负局部坐标分解算法-计算机科学与技术专业毕业论文.docxVIP

浙江大学硕士学位论文 浙江大学硕士学位论文 摘要 摘要 目前在计算机视觉和模式识别领域内。非负矩阵分解(NMF)越来越多得被用 作特征提取。NMF寻找两个小的非负矩阵，使得它们的乘积能够最好的拟合原始 矩阵。而非负的这个限制导致了稀疏、基于局部的表达，这比稠密、全局的特征鲁棒 性更好。在这篇论文中，我们提出了一个特征提取的新方法叫做非负局部坐标分解 (NLCF)。NLCF在标准的NMF日标函数中添加了一个局部坐标的限制项，特别地。 我们要求学到的基向量要尽可能得接近数据点。这样，每一个数据点能被表示为仅 由周围靠近的少数几个基向量的线性组合，自然地得到了稀疏的表达。实验结果证 明这一方法能提供一个更好的表达以及在图像聚类中更高的正确率。 关键词： 非负矩阵分解局部坐标稀疏编码 n AbstractRecently Abstract Recently Non。negative Matrix Factorization(NMF)has become increasin91y popu- lar for feature extraction in computer vision and paRem recognition．NMF seeks for two non。negative matrices whose product can best approximate the original matrix．The non- negativity constraints lead to sparse，parts-based representations which can be more robust than non。sparse，global features．To obtain more accurate control over the sparseness．in this papeB we propose a novel method called Non·negative Local Coordinate Factorization (NLCF)for feature extraction．NLCF adds a local coordinate constraint into the standard NMF objective function．Specifically,we require that the learned basis vectorS be as close to the original data points as possible．In this way,each data point can be reprcsented by a linear combination of only few nearby basis vectors，which naturally leads to sparse rep- resentation·Extensive experimental results suggest that the proposed approach provides a better representation and achieves higher accuracy in image clustering． Keywords：Non-negative Matrix Factorization，local coordinate coding，sparse learning III 浙江大学硕士学位论文 浙江大学硕士学位论文 致谢 致谢 近三年的研究生生涯即将划上一个句号，我的求学生涯也将暂时告一段落，人生 新的征程正在等待着我。三年来，在师长、亲友的指导和陪伴下，路虽艰辛却也收获 颇丰。在本论文即将付梓之际，不禁感慨。 首先，感谢我的两位导师。授人以鱼不如授人以渔，你们带我进入了一个全新的 学术天地，教会我如何进行独立的思考，不论是在学术上还是生活上。 其次，感谢学校的老师同学，实验室的师兄师姐师弟师妹们。正因为有你们相 伴，求学路上多了些欢声笑语，少了些清冷寂寞。 再次，感谢所有在本论文写作中提供过帮助与支持的良师益友，以及在论文中被 我引用或参考的论著的作者。能完成此文，是因为站在了你们的肩膀上。 最后，最要感谢的是我父母。没有你们，我不能来到这个璀璨的世界；没有你们， 我无法坚持我的求学之路；没有你们，我的世界便失去了光彩。养育之恩，无以回报， 你们健康快乐是我最大的心愿。 时光付流水，聚散苦匆匆。再见了，我热爱的景德镇老和山职业技术学院。 陈琰 2012．2 圈目录2．1 圈目录 2．1 NMF提取面部特征的实例．．．．．．．．．．．．．．．．．．．．．