一種基于塊對角化表示的多視角字典對學(xué)習(xí)方法

　　字典學(xué)習(xí)作為一種高效的特征學(xué)習(xí)技術(shù)被廣泛應(yīng)用于多視角分類中。現(xiàn)有的多視角字典學(xué)習(xí)方法大多只利用多視角數(shù)據(jù)的部分信息，且只學(xué)習(xí)一種類型的字典。實際上，多視角數(shù)據(jù)的相關(guān)性信息和多樣性信息同樣重要，且僅考慮一種合成型宇典或解析型字典的學(xué)習(xí)算法不能同時滿足處理速度、可解釋性以及應(yīng)用范圍的要求。針對上述問題，提岀了一種基于塊對角化表示的多視角字典對學(xué)習(xí)方法（ Block- Diagonal Representation based Multi-view Dictionary- Pair learning， BDR-MVDPL），該方法通過引入字典對學(xué)習(xí)模型獲得包含更多對分類有用的信息的表示系數(shù)，并通過顯式約束使其具有塊對角化結(jié)構(gòu)，保證了編碼系數(shù)矩陣的判別性;然后采用特征融合的方式將所有視角的編碼系數(shù)進行串聯(lián)，并將串聯(lián)后的編碼系數(shù)回歸到對應(yīng)的標(biāo)簽向量上，使多視角數(shù)據(jù)的多樣性信息和數(shù)據(jù)相關(guān)性能夠冋時被利用;最后，該算法將字典學(xué)習(xí)與分類器學(xué)習(xí)整合到一個框架中，采用迭代求解的方式，交替更新字典對和分類器，使所提方法能夠自動完成分類。3個多特征數(shù)據(jù)集上的實驗結(jié)果表明，與主流的多視角字典學(xué)習(xí)算法相比，所提算法在保持低復(fù)雜度的同時具有更高的分類準(zhǔn)確率。