基于鲁棒鉴别特征学习的图像特征提取算法

摘要：

为了增强图像特征鉴别力和鲁棒性,获取图像紧致特征表达是关键.现有的图像特征学习方法大多采用最大化L2范数的方式定义,导致其对噪声和异常值十分敏感.针对这个问题,提出了一种基于L2,1范数的鲁棒鉴别特征学习算法.该算法在数据预处理中加入了类内聚拢操作,使得同类样本尽可能靠近,减小了类内异常样本以及强噪声样本的影响;此外,引入L2,1范数重新定义了数据的类内和类间相关矩阵,使得模型更具鲁棒性,且提取的特征鉴别能力更强.实验结果显示,相比于现有的一些最新算法,提出的算法不仅具有较高分类准确率,同时还具有较快的收敛速率.这表明了提出算法所提取特征的图像特征具有较强的鉴别力和鲁棒性.

关键词：特征表达;类内聚拢;鉴别特征学习;L2,1范数;相关矩阵

所属期刊栏目：34

分类号：TN391.4(半导体技术)

资助基金：国家自然科学基金;中央高校基本科研业务费专项项目

在线出版日期：2022-03-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：103-109