基于普遍性-特殊性分析-合成字典学习模型.pdfVIP

分析表示此外，如何学个用于通用‑特定表示分类的判别分

析‑合成字典仍然是一个空白。

合成表示

在本文中，我们提出了一种新的分析‑合成字典学习

模型，用于通用性‑特异性（ASDL‑UP）表示的分类。通用

性和特异性表示的判别性是通过同时学对分

析字典和合成字典来共同利用的，如图1所示。据我们

所知，这是首次将分析‑合成字典学习和通用性‑特异性

表示整合到一个统一的模型中。更具体地，设计了一

个用于通用性表示的保持分析编码系数项；而分

析编码系数和合成表示的Fisher‑like正则化被引入到

特异性表示中。所ASDL‑UP在动作、人脸和性

别分类的应用中进行了评估。与其它最先进的字典学

习方法相比，ASDL‑UP在各种分类任务中表现出更好

图1：分析‑合成字典学习用于通用性‑特异性表示的模

或具有竞争力的性能。

型。

所有其他类别的不良表示（J.Mairal和Zissserman

相关工作

2008）（Castrodad和iro2012），以及类特定字

典和编码系数的Fisher判别性，已在字典学习阶段被引入。近年来，监督合成字典学普遍性表示（J.Mairal和

Ponce2012）（Zhang和Li2010）（Z.L.Jiang和

大多数字典学习方法（例如上述方法）通过使用

Davis2013）（S.Bengio和Strelow2009）和特定性

字典原子的线性组合来合成输入信号，因此被称为合

表示（J.Mairaland和Zisserman2008）（M.Yang和

成字典学习。，Rubinstein等人（R.

Zhang2011）（Castrodad和Shapiro2012）（I.

Rubinstein和Elad2013）提出了一种用于图像恢复

Ramirez和iro2011）方面已进行了广泛研究。此外，

的分析字典学习方法，称为分析K‑svd。作为合成字在矩阵分解中也挖掘了普遍性和判别成分（Zhang和Li

典的对偶视角，分析字典通过将信号乘以字典直接转2012）。与我们分析‑合成字典学习（ASDL‑UP）用

换到稀疏特征空间。类似于类别特定的合成字典学习