CN110648276A - 基于流形映射与字典学习的高维图像数据降维方法 - Google Patents
基于流形映射与字典学习的高维图像数据降维方法 Download PDFInfo
- Publication number
- CN110648276A CN110648276A CN201910913668.8A CN201910913668A CN110648276A CN 110648276 A CN110648276 A CN 110648276A CN 201910913668 A CN201910913668 A CN 201910913668A CN 110648276 A CN110648276 A CN 110648276A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- dimensional
- data
- mapping
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000009467 reduction Effects 0.000 title claims abstract description 67
- 238000013507 mapping Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000000758 substrate Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 101150096839 Fcmr gene Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 5
- 235000011613 Pinus brutia Nutrition 0.000 description 5
- 241000018646 Pinus brutia Species 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T3/06—
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:S1:定义并说明待处理的高维图像数据集和对应的低维映射;随机抽取部分数据作为新的训练数据集X1;S2:用基于稀疏表示约束的拉普拉斯特征映射LE方法计算训练数据集X1的低维映射Y1;S3:从X1中随机选取M个点,初始化标签字典,记为DH;S4:用X1和Y1作为训练数据集计算DH和C;S5:根据局部约束字典学习LCDL的前提假设计算得到DL,采用局部约束与标签映射的字典学习方法来提高字典的判别性并完善字典的局部和标签信息;S6:基于以上步骤得到的DH、DL和C,计算新进入的高维图像数据x的低维映射y。
Description
技术领域
本发明属于计算机应用技术领域,涉及一种基于流形映射与字典学习的高维图像数据降维方法。
背景技术
在自然领域和工业领域中,通过不同的生物传感器(人眼,人耳等)和人工传感器(摄像头,工业传感器等)能够捕获到数以万记的大规模高维图像数据信息。然而,这些信息存在着较大的冗余,在对高维图像数据进行直接操作的过程中会出现难以预计的问题。
对图像数据的高效处理一直以来都是机器学习领域的热点和关键问题。IndianPines数据集最早是用于高光谱图像分类的测试数据,由机载可视红外成像光谱仪(AVIRIS)于1992年对美国印第安纳州一块印度松木进行成像,然后截取尺寸为145*145的大小进行标注作为高光谱图像分类测试用途。在对Indian Pines数据集进行处理的过程中,现有技术在数据增量降维上存在许多问题,从而导致降维后的数据分类精度不。
为了能够快速高效地提取高维图像数据的有用信息并保留高维图像数据中的结构特性,大量的降维方法应运而生。在降维问题中,给定被观测的数据,如何高效地决定这些数据所依赖的低维子空间是解决降维问题的关键。最早提出的PCA,ICA,MDS,SOM等降维方法在处理线性问题时有着独特的优势。进年来,越来越多的研究团队对字典学习这一领域进行了深入的研究和探索,通过构造过完备冗余字典,实现对信号的稀疏表示。从本质上来说,字典学习就是一种线性的降维方法。
流形学习就是从高维采样数据中探测出低维流形结构。由于数据内部特征的限制,一些高维中的数据会产生维数上的冗余,实际上只需要比较低的维数就能对数据信号进行唯一表示。流形就是一个局部具有欧几里得空间性质的空间。将流形学习引入到机器学习主要有两种途径:其一,将原来在欧式空间中适用的算法加以改造,使得它工作在流形上,这样能够直接或间接地对流形的结构和性质加以利用;其二,直接分析流形的结构,并试图将其映射到一个欧式空间中,再在得到的结果上运用之前适用于欧式空间的算法来进行学习。应用流形学习对高维图像数据进行降维并非是新思路,早在2000年的《Science》杂志上就由Joshua B.Tenenbaum等人提出了一种全局降维方法,即ISOMAP,该方法就是基于对在欧式空间中适用的MDS降维方法进行改造,使其工作在流行上,最终实现对数据的非线性降维。同年11月份,由Sam T.Roweis等人提出的局部线性嵌入(LLE)降维方法又给降维领域的研究提供了新的方向。该方法假设一个流形在很小的局部邻域上可以近似看成是欧式的,也就是局部是线性的,那么通过LLE就能用线性拟合的系数对流形局部几何性质进行刻画。ISOMAP,LLE 以及在2002年由Mikhail Belkin等人提出的拉普拉斯特征映射(LE)的流形非线性降维方法共同奠定了处理高维图像数据的非线性降维方法的研究基础。
随着对大规模数据处理的进一步研究,如何快速有效低耗地对新样本数据进行降维映射操作,找到新样本数据与之前学习的数据之间的映射函数关系成为了很长一段时间以来困扰研究人员的重要问题。对于一般的思路来说,就是将新样本数据与之前的数据进行整体迭代,在这个过程中,往往是高耗且效果不佳的。
发明内容
有鉴于此,本发明的目的在于提供一种基于流形映射与字典学习的高维图像数据降维方法,使得在对高维图像数据进行降维操作时,能尽可能地保留数据的局部结构特性。同时,采用局部约束字典学习的方法能够高效地解决外样本点的增量问题,为处理大规模高维图像数据提供了行之有效的方法。
为达到上述目的,本发明提供如下技术方案:
一种基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:
S1:定义并说明待处理的高维图像数据集X={x1,...,xN},和对应的低维映射Y={y1,...,yN};以随机的方式从X中抽取部分数据构成一个小数据集,作为新的训练数据集X1;
S2:用基于稀疏表示约束的拉普拉斯特征映射(Laplacian Eigenmaps,LE)方法计算训练数据集X1的低维映射Y1;
S3:从X1中随机选取M个点,初始化标签(Landmark)字典,即高维空间字典,记为DH;
S4:用X1和Y1作为训练数据集计算高维空间字典DH和其编码矩阵C;
S5:根据局部约束字典学习(LCDL)的前提假设计算得到低维空间字典DL,为了使得低维映射后的数据更好地应用于分类,采用局部约束与标签映射的字典学习方法来提高字典的判别性并完善字典的局部和标签信息。
S6:基于以上步骤得到的DH、DL和C,计算新进入的高维图像数据x的低维映射y。
进一步,在所述步骤S1中,数据降维的整个过程对符号进行统一标注,原始的D维数据空间中,X={x1,...,xN},xi∈RD×1,其流形空间记为降维后的d维数据空间中,Y={y1,...,yN},yi∈Rd×1,其流形空间记为数据降维的关键是找到DR映射关系,即通过计算得到g,从而对新的数据点进行增量式降维计算。
进一步,所述步骤S2具体包括以下步骤:
S21:在不考虑增量的情况下对数据进行降维:仅使用LE;
如果两个数据实例i和j很相似,那么i和j降维后目标子空间中应该尽量接近,具体包括以下步骤:
S211:构建图G:
LE通过构建邻接矩阵为W的图来重构数据流形的局部结构特征,对于图G,G(V,E),其中,V是点的集合,E是边的集合;
S212:确定权重W:
确定点与点之间的权重大小,选用热核函数(heat kernel)来确定,如果点i和点j相连,则关系权重设定为:
其中,t是需要根据经验确定的参数,这种需要提前定义的参数对分类效果的影响很大,所以在此采取一种更为简便的设定方法:
如果点i,j相连,Wij=1;否则,Wij=0
S213:优化目标函数:
min∑i,j||yi-yj||2Wij
其中,yi是降维后的数据实例i在d维子空间的向量表示;yj是降维后的数据实例j在d 维子空间的向量表示;||yi-yj||2表示两个数据实例i和j在d维子空间中的距离,W是图G 的邻接矩阵,对角矩阵D是图G的度矩阵,即权重之和:
具体的公式变换步骤如下:
L=D-W即为图的拉普拉斯矩阵,所以,变换后的目标函数为:
min trace(YTLY),s.t.YTLY=I
S214:特征映射:
用拉格朗日乘子法对等式约束优化问题进行求解:
f(Y)=tr(YTLY)+tr(Λ(YTLY-I))
基于上式对Y进行求导,得:
其中,Λ是对角阵,L、D是实对角矩阵,LT=L,DT=D;
对于y向量,写为Ly=λDY,通过求得d个最小非0特征值所对应的特征向量,实现降维,求得低维数据映射;
将LY=-DYA带入目标函数mintrace(YTLY),则:
min trace(YTLY)=min trace(YT(-DYΛ))
=min trace(-YTDYΛ)
由YTDY=I,知原式=min trace(-Λ)即为特征值之和,所以,为了目标函数最小化,选择最小的d个特征值所对应的特征向量;
S22:在考虑到增量的情况下对数据进行降维:使用Laplacian Eigenmaps (LE)+Sparse Representation(SR)Constraint;
在考虑增量式的降维时,一般会考虑将新的数据样本与之前的数据合在一起再重新迭代一次,但这样的方法往往是耗时且效果不佳的。将稀疏表示与流形学习方法相结合,计算新数据样本点的低维映射,包括以下步骤:
S221:将新数据样本代入目标函数:
S222:对步骤S221中的目标函数求导:
S223:得到新样本数据的低维表示:
S224:用稀疏表示约束优化权重矩阵W(N+1)i
进一步,在步骤S3中:
通过从X1中随机选取M个点,初始化高维图像数据空间中的字典DH,其中, DH=[d1,d2,...,dM-1,dM]。通过这种方式,将如何学习得到Landmark的问题转化为如何学习得到字典的问题,其中,字典的一列就是一个landmark;字典学习不仅节约了空间,还能高效地对每一个样本进行的线性表示。因此,如何高效地学习得到高维图像数据空间和低维映射空间的字典DH和DL是本发明的重点。
进一步,步骤S4具体包括以下步骤:
S41:定义高维图像数据空间中的字典DH=[d1,d2,...,dM-1,dM]∈RD×M,其中,dj∈RD ×1, j=1,2,...,M,M表示DH的列数;数据xi在字典DH上的编码Ci=[c1i,c2i,...,cMi]T反映了xi和DH字典列之间的线性关系,通过xi的最邻近landmarks得到数据xi的线性表示,即:
通过最邻近landmarks来构建的xi充分保留了高维图像数据的局部几何信息;
DL=[g(d1),g(d2),...,g(dM-1),g(dM)]∈RD×M
其中,ci的元素满足局部约束字典学习中的局部约束,即:如果dj不是高维图像数据xi的邻近,则cji=0;
S43:同时优化以下两式:
S44:建立目标优化方程,学习高维空间字典DH,并将低维嵌入作为强约束加在字典学习之后:
S45:引入引理1,消去g(),简化步骤S44中的优化目标方程;
S46:得到最终的对象优化目标,学习得到高维空间中的字典DH:
进一步,所述步骤S5具体包括以下步骤:
S51:根据局部约束字典学习的前提假设,得到:如果在高维图像数据空间中,xi在DH上的编码矩阵是Ci,则对应于低维空间中,yi在DL上的稀疏编码也是Ci;
S52:令DL=[b1,...,bM],bj=g(dj);
S53:与步骤S43同理,在学习低维空间中的字典时,同时优化以下两式:
其中,Y是在步骤S2中已知的低维映射矩阵,C是根据局部约束字典学习的前提假设推导的,所以最终求解DL的问题就变成了标准的求解最小平方问题。
S54:优化求解得到DL:
S55:为了提高DL的判别性,并充分考虑原子的局部约束特征和标签信息,本文采用一种局部约束标签嵌入方法对DL进行进一步约束;
S56:构建原子的局部特征约束模型:
S561:利用字典DL中的所有原子构造一个具有K个顶点的近邻图G,每个顶点表示一个原子,假设M为近邻图G的权重矩阵,如果原子bi是原子bj的k近邻原子,则:
否则,Mij=0;
S563:原子的局部特征约束模型为:
S57:构建原子的标签嵌入约束模型:
利用特定类字典学习算法为每一个原子分配一个类标,并根据原子与训练样本类标间的关系设计判别稀疏编码矩阵Q,为了使得同类训练样本对应的编码稀疏尽可能地相似,并减少稀疏编码的分类误差,借鉴类标一致的判别稀疏编码误差项:
其中,A是线性转换矩阵,C是编码系数矩阵;Q中的qi中第j个非零位置表示训练样本 yi和bj有共同的类标,线性转换矩阵A利用编码系数矩阵C和判别稀疏编码矩阵Q计算得到:
A=QCT(CCT+λI)-1
S58:构造DL字典学习的目标函数:
最终求得对应的DL并更新编码稀疏矩阵C
进一步,在步骤S6中具体包括:
根据对DH,DL,C的计算,对新的高维图像数据样本点进行映射,假设xt是新的高维图像数据点,Ct是xt的稀疏编码;
S61:固定DH,求Ct:
其中,cjt表示ct的第j个元素;
在S61中体现了字典学习的迭代优化思想,即:先固定DH,优化求Ct;再固定Ct,更新DH,直至收敛;
S611:先固定DH,优化求Ct
已知DH已经完成了初始化或是上一步迭代的结果,求解得到C的第i列:
对上式用拉格朗日乘子法对等式约束项进行优化:
其中,Q=(ξk-xi1T)T(ξk-xi1T)
综上所述:
可知:
分别令两个偏导数为0,则有:
所以,
S612:固定Ct,更新字典DH:
利用已更新的Ct,对DH逐列更新,dj是DH中的第j列,cj是C中的第j列,保持C和DH中除j列之外的其他列固定,更新dj:
其中,E=X-∑k≠jdkck,β=[cj1 2,...,cjN 2]T;
S62:求得Ct之后,依据局部约束字典学习的前提条件知:
yt=DLCt
其中,DL和Ct都是已知的,最终得到高维图像数据xt的低维映射yt,实现数据的增量式降维。
本发明的有益效果在于:本发明基于字典学习领域提出的基于流形映射与字典学习的高维图像数据降维方法。利用局部约束字典学习的算法框架实现对新样本数据的增量操作,为高维图像数据的高效处理提供了行之有效的方法。采用本发明的降维方法对Indian Pines数据集进行处理,将高维的高光谱数据进行降维。相比于现有的图像降维方法,本发明中的方法在对提高数据增量降维上有很大的提升效果,同时通过采用原子的局部约束和标签信息来提高降维后数据的分类精度。本发明对数据进行了降维的预处理,这一操作在整个分类训练过程中是至关重要的。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明发明基于流形映射与字典学习的高维图像数据降维方法流程图;
图2为拉普拉斯特征映射算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,一种基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:
S1:定义并说明待处理的高维图像数据集X={x1,...,xN},和对应的低维映射Y={y1,...,yN};以随机的方式从X中抽取部分数据构成一个小数据集,作为新的训练数据集X1;
S2:用基于稀疏表示约束的拉普拉斯特征映射(Laplacian Eigenmaps,LE)方法计算训练数据集X1的低维映射Y1;
S3:从X1中随机选取M个点,初始化标签(Landmark)字典,即高维空间字典,记为DH;
S4:用X1和Y1作为训练数据集计算高维空间字典DH和对应的稀疏编码C;
S5:根据局部约束字典学习(LCDL)的前提假设计算得到低维空间字典DL,为了使得低维映射后的数据更好地应用于分类,采用局部约束与标签映射的字典学习方法来提高字典的判别性并完善字典的局部和标签信息。
S6:基于以上步骤得到的DH、DL和C,计算新进入的高维图像数据x的低维映射y。
进一步,在所述步骤S1中,数据降维的整个过程对符号进行统一标注,原始的D维数据空间中,X={x1,...,xN},xi∈RD×1,其流形空间记为降维后的d维数据空间中,Y={y1,...,yN},yi∈Rd×1,其流形空间记为数据降维的关键是找到DR映射关系,即通过计算得到g,从而对新的数据点进行增量式降维计算。
本发明中的方法主要是用于提高Indian Pines高光谱图像数据集的降维处理速度和数据分类精度。在实际训练的过程中,将原始高维数据按70%和30%的比例分成两组,后一组中的数据用于进行增量处理,并观察在增量过程中的实际效果。
进一步,所述步骤S2具体包括以下步骤:
S21:在不考虑增量的情况下对数据进行降维:Laplacian Eigenmaps(LE)。该流形降维的基本思想:如果两个数据实例i和j很相似,那么i和j降维后目标子空间中应该尽量接近,如图2所示,具体包括以下步骤:
S211:构建图G:
LE通过构建邻接矩阵为W的图来重构数据流形的局部结构特征,对于图G,G(V,E),其中,V是点的集合,E是边的集合;
S212:确定权重W:
确定点与点之间的权重大小,选用热核函数(heat kernel)来确定,如果点i和点j相连,则关系权重设定为:
其中,t是需要根据经验确定的参数,这种需要提前定义的参数对分类效果的影响很大,所以在此采取一种更为简便的设定方法:
如果点i,j相连,Wij=1;否则,Wij=0
S213:优化目标函数:
设数据实例的数目为n,目标子空间,即最终降维目标维度为d;定义n×d大小的矩阵Y,其中每一个行向量是数据实例i在目标d维子空间中的向量表示,即降维后的数据实例i;构建LE的目标函数:
min∑i,j||yi-yj||2Wij
其中,yi是降维后的数据实例i在d维子空间的向量表示;yj是降维后的数据实例j在d 维子空间的向量表示;||yi-yj||2表示两个数据实例i和j在d维子空间中的距离,W是图G 的邻接矩阵,对角矩阵D是图G的度矩阵,即权重之和:
具体的公式变换步骤如下:
L=D-W即为图的拉普拉斯矩阵,所以,变换后的目标函数为:
min trace(YTLY),s.t.YTLY=I
S214:特征映射:
用拉格朗日乘子法对等式约束优化问题进行求解:
f(Y)=tr(YTLY)+tr(Λ(YTLY-I))
基于上式对Y进行求导,得:
其中,Λ是对角阵,L、D是实对角矩阵,LT=L,DT=D;
对于y向量,写为Ly=λDY,通过求得d个最小非0特征值所对应的特征向量,实现降维,求得低维数据映射;
将LY=-DYΛ带入目标函数mintrace(YTLY),则:
min trace(YTLY)=min trace(YT(-DYΛ))
=min trace(-YTDYΛ)
由YTDY=I,知原式=min trace(-Λ)即为特征值之和,所以,为了目标函数最小化,选择最小的d个特征值所对应的特征向量;
S22:在考虑到增量的情况下对数据进行降维:使用Laplacian Eigenmaps(LE)+Sparse Representation(SR)Constraint;
在考虑增量式的降维时,一般会考虑将新的数据样本与之前的数据合在一起再重新迭代一次,但这样的方法往往是耗时且效果不佳的。将稀疏表示与流形学习方法相结合,计算新数据样本点的低维映射,包括以下步骤:
S221:将新数据样本代入目标函数:
S222:对步骤S221中的目标函数求导:
S223:得到新样本数据的低维表示:
S224:用稀疏表示约束优化权重矩阵W(N+1)i
进一步,在步骤S3中:
通过从X1中随机选取M个点,初始化高维图像数据空间中的字典DH,其中, DH=[d1,d2,...,dM-1,dM]。通过这种方式,将如何学习得到Landmark的问题转化为如何学习得到字典的问题,其中,字典的一列就是一个landmark;字典学习不仅节约了空间,还能高效地对每一个样本进行的线性表示。因此,如何高效地学习得到高维图像数据空间和低维映射空间的字典DH和DL是本发明的重点。
进一步,步骤S4具体包括以下步骤:
S41:定义高维图像数据空间中的字典DH=[d1,d2,...,dM-1,dM]∈RD×M,其中,dj∈RD ×1, j=1,2,...,M,M表示DH的列数;数据xi在字典DH上的编码Ci=[c1i,c2i,...,cMi]T反映了xi和DH字典列之间的线性关系,通过xi的最邻近landmarks得到数据xi的线性表示,即:
通过最邻近landmarks来构建的xi充分保留了高维图像数据的局部几何信息;
DL=[g(d1),g(d2),...,g(dM-1),g(dM)]∈RD×M
其中,ci的元素满足局部约束字典学习中的局部约束,即:如果dj不是高维图像数据xi的邻近,则cji=0;
S43:同时优化以下两式:
S44:建立目标优化方程,学习高维空间字典DH,并将低维嵌入作为强约束加在字典学习之后:
S45:引入引理1,消去g(),简化步骤S44中的优化目标方程;
S46:得到最终的对象优化目标,学习得到高维空间中的字典DH:
进一步,所述步骤S5具体包括以下步骤:
S51:根据局部约束字典学习的前提假设,得到:如果在高维图像数据空间中,xi在DH上的编码矩阵是Ci,则对应于低维空间中,yi在DL上的稀疏编码也是Ci;
S52:令DL=[b1,...,bM],bj=g(dj);
S53:与步骤S43同理,在学习低维空间中的字典时,同时优化以下两式:
其中,Y是在步骤S2中已知的低维映射矩阵,C是根据局部约束字典学习的前提假设推导的,所以最终求解DL的问题就变成了标准的求解最小平方问题。
S54:优化求解得到DL:
S55:为了提高DL的判别性,并充分考虑原子的局部约束特征和标签信息,本文采用一种局部约束标签嵌入方法对DL进行进一步约束;
S56:构建原子的局部特征约束模型:
S561:利用字典DL中的所有原子构造一个具有K个顶点的近邻图G,每个顶点表示一个原子,假设M为近邻图G的权重矩阵,如果原子bi是原子bj的k近邻原子,则:
否则,Mij=0;
S563:原子的局部特征约束模型为:
S57:构建原子的标签嵌入约束模型:
利用特定类字典学习算法为每一个原子分配一个类标,并根据原子与训练样本类标间的关系设计判别稀疏编码矩阵Q,为了使得同类训练样本对应的编码稀疏尽可能地相似,并减少稀疏编码的分类误差,借鉴类标一致的判别稀疏编码误差项:
其中,A是线性转换矩阵,C是编码系数矩阵;Q中的qi中第j个非零位置表示训练样本 yi和bj有共同的类标,线性转换矩阵A利用编码系数矩阵C和判别稀疏编码矩阵Q计算得到:
A=QCT(CCT+λI)-1
S58:构造DL字典学习的目标函数:
最终求得对应的DL并更新编码稀疏矩阵C
进一步,在步骤S6中具体包括:
根据对DH,DL,C的计算,对新的高维图像数据样本点进行映射,假设xt是新的高维图像数据点,Ct是xt的稀疏编码;
S61:固定DH,求Ct:
其中,cjt表示ct的第j个元素;
在S61中体现了字典学习的迭代优化思想,即:先固定DH,优化求Ct;再固定Ct,更新DH,直至收敛;
S611:先固定DH,优化求Ct
已知DH已经完成了初始化或是上一步迭代的结果,求解得到C的第i列:
对上式用拉格朗日乘子法对等式约束项进行优化:
综上所述:
分别令两个偏导数为0,则有:
所以,
S612:固定Ct,更新字典DH:
利用已更新的Ct,对DH逐列更新,dj是DH中的第j列,cj是C中的第j列,保持C和DH中除j列之外的其他列固定,更新dj:
其中,E=X-∑k≠jdk ck,β=[cj1 2,...,cjN 2]T;
S62:求得Ct之后,依据局部约束字典学习的前提条件知:
yt=DLCt
其中,DL和Ct都是已知的,最终得到高维图像数据xt的低维映射yt,实现数据的增量式降维。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:
S1:定义并说明待处理的高维图像数据集X={x1,...,xN},和对应的低维映射Y={y1,...,yN};以随机的方式从X中抽取部分数据构成一个小数据集,作为新的训练数据集X1;
S2:用基于稀疏表示约束的拉普拉斯特征映射LE方法计算训练数据集X1的低维映射Y1;
S3:从X1中随机选取M个点,初始化标签字典,即高维空间字典,记为DH;
S4:用X1和Y1作为训练数据集计算高维空间字典DH和其编码矩阵C;
S5:根据局部约束字典学习LCDL的前提假设计算得到低维空间字典DL,采用局部约束与标签映射的字典学习方法来提高字典的判别性并完善字典的局部和标签信息;
S6:基于以上步骤得到的DH、DL和C,计算新进入的高维图像数据x的低维映射y。
3.根据权利要求1所述的基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:所述步骤S2具体包括以下步骤:
S21:在不考虑增量的情况下对数据进行降维:仅使用LE;
如果两个数据实例i和j很相似,那么i和j降维后目标子空间中尽量接近,具体包括以下步骤:
S211:构建图G:
LE通过构建邻接矩阵为W的图来重构数据流形的局部结构特征,对于图G,G(V,E),其中,V是点的集合,E是边的集合;
S212:确定权重W:
确定点与点之间的权重大小,选用热核函数来确定,如果点i和点j相连,则关系权重设定为:
其中,t是需要根据经验确定的参数,在此采取以下设定方法:
如果点i,j相连,Wij=1;否则,Wij=0
S213:优化目标函数:
min∑i,j||yi-yj||2Wij
其中,yi是降维后的数据实例i在d维子空间的向量表示;yj是降维后的数据实例j在d维子空间的向量表示;||yi-yj||2表示两个数据实例i和j在d维子空间中的距离,W是图G的邻接矩阵,对角矩阵D是图G的度矩阵,即权重之和:
Dii=Djj
具体的公式变换步骤如下:
L=D-W即为图的拉普拉斯矩阵,所以,变换后的目标函数为:
min trace(YTLY),s.t.YTLY=I
S214:特征映射:
用拉格朗日乘子法对等式约束优化问题进行求解:
f(Y)=tr(YTLY)+tr(Λ(YTLY-I))
基于上式对Y进行求导,得:
其中,Λ是对角阵,L、D是实对角矩阵,LT=L,DT=D;
对于y向量,写为Ly=λDY,通过求得d个最小非0特征值所对应的特征向量,实现降维,求得低维数据映射;
将LY=-DYΛ带入目标函数mintrace(YTLY),则:
min trace(YTLY)=min trace(YT(-DYΛ))
=min trace(-YTDYΛ)
由YTDY=I,知原式=min trace(-Λ)即为特征值之和,所以,为了目标函数最小化,选择最小的d个特征值所对应的特征向量;
S22:在考虑到增量的情况下对数据进行降维:使用Laplacian Eigenmaps+SparseRepresentation Constraint;
在考虑增量式的降维时,将稀疏表示与流形学习方法相结合,计算新数据样本点的低维映射,包括以下步骤:
S221:将新数据样本代入目标函数:
S222:对步骤S221中的目标函数求导:
S223:得到新样本数据的低维表示:
S224:用稀疏表示约束优化权重矩阵W(N+1)i
s.t.xN+1=Xa。
4.根据权利要求1所述的基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:在步骤S3中:
通过从X1中随机选取M个点,初始化高维图像数据空间中的字典DH,其中,DH=[d1,d2,...,dM-1,dM]。
5.根据权利要求1所述的基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:步骤S4具体包括以下步骤:
S41:定义高维图像数据空间中的字典DH=[d1,d2,...,dM-1,dM]∈RD×M,其中,dj∈RD×1,j=1,2,...,M,M表示DH的列数;数据xi在字典DH上的编码Ci=[c1i,c2i,...,cMi]T反映了xi和DH字典列之间的线性关系,通过xi的最邻近landmarks得到数据xi的线性表示,即:
DL=[g(d1),g(d2),...,g(dM-1),g(dM)]∈RD×M
其中,ci的元素满足局部约束字典学习中的局部约束,即:如果dj不是高维图像数据xi的邻近,则cji=0;
S43:同时优化以下两式:
S44:建立目标优化方程,学习高维空间字典DH,并将低维嵌入作为强约束加在字典学习之后:
S45:引入引理1,消去g(),简化步骤S44中的优化目标方程;
该式表明:在p的一个小邻域内,是的上边界;将该式应用到步骤S44中优化目标方程的第二项,得:
S46:得到最终的对象优化目标,学习得到高维空间中的字典DH:
6.根据权利要求1所述的基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:所述步骤S5具体包括以下步骤:
S51:根据局部约束字典学习的前提假设,得到:如果在高维图像数据空间中,xi在DH上的编码矩阵是Ci,则对应于低维空间中,yi在DL上的稀疏编码也是Ci;
S52:令DL=[b1,...,bM],bj=g(dj);
S53:与步骤S43同理,在学习低维空间中的字典时,同时优化以下两式:
其中,Y是在步骤S2中已知的低维映射矩阵,C是根据局部约束字典学习的前提假设推导的,
S54:优化求解得到DL:
S55:为了提高DL的判别性,并充分考虑原子的局部约束特征和标签信息,本文采用一种局部约束标签嵌入方法对DL进行进一步约束;
S56:构建原子的局部特征约束模型:
S561:利用字典DL中的所有原子构造一个具有K个顶点的近邻图G,每个顶点表示一个原子,假设M为近邻图G的权重矩阵,如果原子bi是原子bj的k近邻原子,则:
否则,Mij=0;
S562:定义顶点bi的度是定义U=diag(s1,...,sn);
S563:原子的局部特征约束模型为:
S57:构建原子的标签嵌入约束模型:
利用特定类字典学习算法为每一个原子分配一个类标,并根据原子与训练样本类标间的关系设计判别稀疏编码矩阵Q,借鉴类标
一致的判别稀疏编码误差项:
其中,A是线性转换矩阵,C是编码系数矩阵;Q中的qi中第j个非零位置表示训练样本yi和bj有共同的类标,线性转换矩阵A利用编码系数矩阵C和判别稀疏编码矩阵Q计算得到:
A=QCT(CCT+λI)-1
S58:构造DL字典学习的目标函数:
最终求得对应的DL并更新编码稀疏矩阵C
7.根据权利要求1所述的基于流形映射与字典学习的高维图像数据降维方法,包括以下步骤:在步骤S6中具体包括:
根据对DH,DL,C的计算,对新的高维图像数据样本点进行映射,假设xt是新的高维图像数据点,Ct是xt的稀疏编码;
S61:固定DH,求Ct:
其中,cjt表示ct的第j个元素;
在S61中体现了字典学习的迭代优化思想,即:先固定DH,优化求Ct;再固定Ct,更新DH,直至收敛;
S611:先固定DH,优化求Ct
已知DH已经完成了初始化或是上一步迭代的结果,求解得到C的第i列:
对上式用拉格朗日乘子法对等式约束项进行优化:
其中,Q=(ξk-xi1T)T(ξk-xi1T)
综上所述:
分别令两个偏导数为0,则有:
又因为所以,
S612:固定Ct,更新字典DH:
利用已更新的Ct,对DH逐列更新,dj是DH中的第j列,cj是C中的第j列,保持C和DH中除j列之外的其他列固定,更新dj:
其中,E=X-∑k≠jdkck,β=[cj1 2,...,cjN 2]T;
S62:求得Ct之后,依据局部约束字典学习的前提条件知:
yt=DLCt
其中,DL和Ct都是已知的,最终得到高维图像数据xt的低维映射yt,实现数据的增量式降维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913668.8A CN110648276B (zh) | 2019-09-25 | 2019-09-25 | 基于流形映射与字典学习的高维图像数据降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913668.8A CN110648276B (zh) | 2019-09-25 | 2019-09-25 | 基于流形映射与字典学习的高维图像数据降维方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648276A true CN110648276A (zh) | 2020-01-03 |
CN110648276B CN110648276B (zh) | 2023-03-31 |
Family
ID=69011373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910913668.8A Active CN110648276B (zh) | 2019-09-25 | 2019-09-25 | 基于流形映射与字典学习的高维图像数据降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648276B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553935A (zh) * | 2020-05-14 | 2020-08-18 | 广东第二师范学院 | 一种基于增量降维投影位置优化的人体运动形态获取方法 |
CN111667453A (zh) * | 2020-04-21 | 2020-09-15 | 浙江工业大学 | 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法 |
CN113936196A (zh) * | 2021-09-29 | 2022-01-14 | 江苏大学 | 一种基于低秩拉普拉斯图学习的鲁棒数据降维方法 |
CN113949880A (zh) * | 2021-09-02 | 2022-01-18 | 北京大学 | 一种极低码率人机协同图像编码训练方法及编解码方法 |
CN115065446A (zh) * | 2022-04-29 | 2022-09-16 | 台州宏创电力集团有限公司科技分公司 | 一种基于流形学习的信道信息反馈方法 |
CN117173496A (zh) * | 2023-09-20 | 2023-12-05 | 重庆大学 | 一种保持一维拓扑特征的高维数据降维方法及系统 |
CN113936196B (zh) * | 2021-09-29 | 2024-05-14 | 江苏大学 | 一种基于低秩拉普拉斯图学习的鲁棒数据降维方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0910832A1 (en) * | 1996-07-10 | 1999-04-28 | Washington University | Method and apparatus for image registration |
WO2002047030A2 (en) * | 2000-12-08 | 2002-06-13 | Landmark Graphics Corporation | Method for aligning a lattice of points in response to features in a digital image |
US20040091152A1 (en) * | 2002-11-12 | 2004-05-13 | Brand Matthew E. | Method for mapping high-dimensional samples to reduced-dimensional manifolds |
EP1770598A1 (en) * | 2005-09-30 | 2007-04-04 | Mitsubishi Electric Corporation | Method for selecting a particular model of a class of objects from a set of low-dimensional models of the class |
US20070076000A1 (en) * | 2005-09-30 | 2007-04-05 | Brand Matthew E | Method for selecting a low dimensional model from a set of low dimensional models representing high dimensional data |
WO2009046185A2 (en) * | 2007-10-02 | 2009-04-09 | The Regents Of The University Of Michigan | Method and apparatus for clustering and visualization of multicolor cytometry data |
US20090097772A1 (en) * | 2007-10-12 | 2009-04-16 | Microsoft Corporation | Laplacian Principal Components Analysis (LPCA) |
US20140122039A1 (en) * | 2012-10-25 | 2014-05-01 | The Research Foundation For The State University Of New York | Pattern change discovery between high dimensional data sets |
CN104318243A (zh) * | 2014-10-14 | 2015-01-28 | 西安电子科技大学 | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 |
CN104778671A (zh) * | 2015-04-21 | 2015-07-15 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN106066992A (zh) * | 2016-05-13 | 2016-11-02 | 哈尔滨工业大学深圳研究生院 | 基于自适应局部约束的判别字典学习算法及人脸识别系统 |
EP3246875A2 (en) * | 2016-05-18 | 2017-11-22 | Siemens Healthcare GmbH | Method and system for image registration using an intelligent artificial agent |
CN107563445A (zh) * | 2017-09-06 | 2018-01-09 | 苏州大学 | 一种基于半监督学习的提取图像特征的方法与装置 |
CN108171277A (zh) * | 2018-01-17 | 2018-06-15 | 重庆大学 | 一种基于稀疏表示的bit间歇故障诊断方法 |
CN108229295A (zh) * | 2017-09-22 | 2018-06-29 | 江西师范大学 | 一种基于多重局部约束的图优化维数约简方法 |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
CN108647690A (zh) * | 2017-10-17 | 2018-10-12 | 南京工程学院 | 用于非约束人脸识别的判别稀疏保持投影方法 |
EP3396603A1 (en) * | 2017-04-27 | 2018-10-31 | Dassault Systèmes | Learning an autoencoder |
CN109284781A (zh) * | 2018-09-10 | 2019-01-29 | 湖北工业大学 | 基于流形学习的图像分类算法和系统 |
CN109615026A (zh) * | 2018-12-28 | 2019-04-12 | 中国电子科技集团公司信息科学研究院 | 一种基于稀疏规则化的判别投影方法以及图像识别装置 |
CN109766863A (zh) * | 2019-01-18 | 2019-05-17 | 南京邮电大学 | 一种基于局部和稀疏非局部正则的人脸图像超分辨率方法 |
-
2019
- 2019-09-25 CN CN201910913668.8A patent/CN110648276B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0910832A1 (en) * | 1996-07-10 | 1999-04-28 | Washington University | Method and apparatus for image registration |
WO2002047030A2 (en) * | 2000-12-08 | 2002-06-13 | Landmark Graphics Corporation | Method for aligning a lattice of points in response to features in a digital image |
US20020181751A1 (en) * | 2000-12-08 | 2002-12-05 | Hale Ira David | Method for aligning a lattice of points in response to features in a digital image |
US20040091152A1 (en) * | 2002-11-12 | 2004-05-13 | Brand Matthew E. | Method for mapping high-dimensional samples to reduced-dimensional manifolds |
JP2007128050A (ja) * | 2005-09-30 | 2007-05-24 | Mitsubishi Electric Research Laboratories Inc | オブジェクトのクラスのモデルの集合からオブジェクトのクラスの特定のモデルを選択する方法 |
US20070076000A1 (en) * | 2005-09-30 | 2007-04-05 | Brand Matthew E | Method for selecting a low dimensional model from a set of low dimensional models representing high dimensional data |
EP1770598A1 (en) * | 2005-09-30 | 2007-04-04 | Mitsubishi Electric Corporation | Method for selecting a particular model of a class of objects from a set of low-dimensional models of the class |
WO2009046185A2 (en) * | 2007-10-02 | 2009-04-09 | The Regents Of The University Of Michigan | Method and apparatus for clustering and visualization of multicolor cytometry data |
US20090097772A1 (en) * | 2007-10-12 | 2009-04-16 | Microsoft Corporation | Laplacian Principal Components Analysis (LPCA) |
US20140122039A1 (en) * | 2012-10-25 | 2014-05-01 | The Research Foundation For The State University Of New York | Pattern change discovery between high dimensional data sets |
CN104318243A (zh) * | 2014-10-14 | 2015-01-28 | 西安电子科技大学 | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 |
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN104778671A (zh) * | 2015-04-21 | 2015-07-15 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
CN106066992A (zh) * | 2016-05-13 | 2016-11-02 | 哈尔滨工业大学深圳研究生院 | 基于自适应局部约束的判别字典学习算法及人脸识别系统 |
EP3246875A2 (en) * | 2016-05-18 | 2017-11-22 | Siemens Healthcare GmbH | Method and system for image registration using an intelligent artificial agent |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
EP3396603A1 (en) * | 2017-04-27 | 2018-10-31 | Dassault Systèmes | Learning an autoencoder |
CN107563445A (zh) * | 2017-09-06 | 2018-01-09 | 苏州大学 | 一种基于半监督学习的提取图像特征的方法与装置 |
CN108229295A (zh) * | 2017-09-22 | 2018-06-29 | 江西师范大学 | 一种基于多重局部约束的图优化维数约简方法 |
CN108647690A (zh) * | 2017-10-17 | 2018-10-12 | 南京工程学院 | 用于非约束人脸识别的判别稀疏保持投影方法 |
CN108171277A (zh) * | 2018-01-17 | 2018-06-15 | 重庆大学 | 一种基于稀疏表示的bit间歇故障诊断方法 |
CN109284781A (zh) * | 2018-09-10 | 2019-01-29 | 湖北工业大学 | 基于流形学习的图像分类算法和系统 |
CN109615026A (zh) * | 2018-12-28 | 2019-04-12 | 中国电子科技集团公司信息科学研究院 | 一种基于稀疏规则化的判别投影方法以及图像识别装置 |
CN109766863A (zh) * | 2019-01-18 | 2019-05-17 | 南京邮电大学 | 一种基于局部和稀疏非局部正则的人脸图像超分辨率方法 |
Non-Patent Citations (19)
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667453A (zh) * | 2020-04-21 | 2020-09-15 | 浙江工业大学 | 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法 |
CN111553935A (zh) * | 2020-05-14 | 2020-08-18 | 广东第二师范学院 | 一种基于增量降维投影位置优化的人体运动形态获取方法 |
CN111553935B (zh) * | 2020-05-14 | 2020-12-15 | 广东第二师范学院 | 一种基于增量降维投影位置优化的人体运动形态获取方法 |
CN113949880A (zh) * | 2021-09-02 | 2022-01-18 | 北京大学 | 一种极低码率人机协同图像编码训练方法及编解码方法 |
CN113936196A (zh) * | 2021-09-29 | 2022-01-14 | 江苏大学 | 一种基于低秩拉普拉斯图学习的鲁棒数据降维方法 |
CN113936196B (zh) * | 2021-09-29 | 2024-05-14 | 江苏大学 | 一种基于低秩拉普拉斯图学习的鲁棒数据降维方法 |
CN115065446A (zh) * | 2022-04-29 | 2022-09-16 | 台州宏创电力集团有限公司科技分公司 | 一种基于流形学习的信道信息反馈方法 |
CN115065446B (zh) * | 2022-04-29 | 2024-03-29 | 台州宏创电力集团有限公司科技分公司 | 一种基于流形学习的信道信息反馈方法 |
CN117173496A (zh) * | 2023-09-20 | 2023-12-05 | 重庆大学 | 一种保持一维拓扑特征的高维数据降维方法及系统 |
CN117173496B (zh) * | 2023-09-20 | 2024-04-02 | 重庆大学 | 一种保持一维拓扑特征的高维数据降维方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110648276B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648276B (zh) | 基于流形映射与字典学习的高维图像数据降维方法 | |
Huang et al. | Analysis and synthesis of 3D shape families via deep‐learned generative models of surfaces | |
Xu et al. | Weighted multi-view clustering with feature selection | |
CN111461157B (zh) | 一种基于自学习的跨模态哈希检索方法 | |
Xie et al. | Learning sparse frame models for natural image patterns | |
Zhang et al. | An improved local tangent space alignment method for manifold learning | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
Chen et al. | Local coordinates alignment with global preservation for dimensionality reduction | |
Wu et al. | Deep covariance alignment for domain adaptive remote sensing image segmentation | |
Li et al. | Kernel self-optimized locality preserving discriminant analysis for feature extraction and recognition | |
Tu et al. | Discriminant sub-dictionary learning with adaptive multiscale superpixel representation for hyperspectral image classification | |
CN111797911B (zh) | 一种图像数据多标签分类方法 | |
CN110689049A (zh) | 基于黎曼核字典学习算法的视觉分类方法 | |
Wang et al. | A novel sparse boosting method for crater detection in the high resolution planetary image | |
Lindner | Automated image interpretation using statistical shape models | |
Pournemat et al. | Semisupervised charting for spectral multimodal manifold learning and alignment | |
Guo et al. | Meta-pixel-driven embeddable discriminative target and background dictionary pair learning for hyperspectral target detection | |
CN109657693B (zh) | 一种基于相关熵和迁移学习的分类方法 | |
Zhao et al. | Nonlinear loose coupled non-negative matrix factorization for low-resolution image recognition | |
Wu et al. | Hyper-embedder: Learning a deep embedder for self-supervised hyperspectral dimensionality reduction | |
Bharath et al. | Analysis of shape data: From landmarks to elastic curves | |
Wang et al. | Extended local tangent space alignment for classification | |
Wang et al. | Semi-supervised manifold alignment with few correspondences | |
Zhao et al. | Graph attribute embedding via Riemannian submersion learning | |
Mateus et al. | Articulated shape matching using locally linear embedding and orthogonal alignment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |