主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第8期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
刘博,景丽萍,于剑.基于双稀疏正则的图像集距离学习.软件学报,2017,28(8):2113-2125
基于双稀疏正则的图像集距离学习
Image Set Distance Learning Via Double Sparse Regularizations
投稿时间:2016-06-02  修订日期:2016-08-18
DOI:10.13328/j.cnki.jos.005135
中文关键词:  图像集分类  稀疏表示  距离学习  流形学习  子空间学习
英文关键词:image set classification  sparse representation  distance learning  manifold learning  subspace learning
基金项目:国家自然科学基金(61370129,61375062,61632004); CCF-腾讯犀牛鸟基金(RAGR20150116);长江学者和创新团队发展计划(IRT201206);保定市科学技术和知识产权局项目(16ZG026)
作者单位E-mail
刘博 交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044
河北农业大学 信息科学与技术学院, 河北 保定 071000 
 
景丽萍 交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044  
于剑 交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 jianyu@bjtu.edu.cn 
摘要点击次数: 676
全文下载次数: 511
中文摘要:
      随着视频采集和网络传输技术的快速发展以及个人移动终端设备的广泛使用,大量图像数据以集合形式存在.集合内在结构的复杂性使得如何度量集合间距离成为图像集分类的一个关键问题.为了解决这一问题,提出了一种基于双稀疏正则的图像集距离学习框架(double sparse regularizations for image set distance learning,简称DSRID).在该框架中,两集合间距离被建模成其对应的内部典型子结构间的距离,从而保证了度量的鲁棒性和判别性.根据不同的集合表示方法,给出了其在传统的欧式空间以及两个常见的流形空间,即对称正定矩阵流形(symmetric positive definite matrices manifold,简称SPD manifold)和格林斯曼流形(Grassmann manifold)上的实现.在一系列的基于集合的人脸识别、动作识别和物体分类任务中验证了该框架的有效性.
英文摘要:
      With the development of video acquisition and transmission technologies, and the widespread applications of mobile terminal devices, more and more set-based images are available. The key issue of image set classification is how to measure the distance between two sets over the complexity of inner structure of the set. To address this problem, this paper presents a framework, called double sparse regularizations for image set distance learning (DSRID). In DSRID, the distance between two sets is calculated by the distance between two prominent sub-structures in each set, which enhances the robustness and discrimination of the measure. According to different set representations, this framework is implemented in traditional Euclidean space and two common manifolds, i.e., symmetric positive definite matrices manifold (SPD manifold) and Grassmann manifold. Extensive experiments demonstrate the effectiveness of the proposed method on set-based face recognition, action recognition and object categorization.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利