基于LRC-SNN的图像高效重建与识别

摘要：

图像集分类算法种类较多,但多数存在运算繁琐、计算成本高和时效性差的问题.为此,提出一种改进的图像重建与识别算法,利用线性回归分类和共享最近邻子空间分类理论进行图像重建和分类,通过将图像下采样建立的高维空间重建为子空间,避免计算复杂度较高的训练过程.利用各个类别的图像集子空间对测试图像进行回归模型估计,根据回归模型重建测试集中的图像,基于重建图像和原始图像间重建误差最小化法,采用加权投票策略对测试集进行估计以确定图像所属的类别.在UCSD/Honda、CMU、ETH-8和YouTube数据集上进行实验,结果表明,在低分辨率采样条件下,与ADNT算法相比,该算法平均分类精度提高3.6％,运算效率提高10倍,其最快响应时间缩短至2.8 ms.

关键词：图像集分类、LRC-SNN回归模型、误差最小化、加权投票策略、分类精度、计算速度

所属期刊栏目：46

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金青年基金61703298

在线出版日期：2020-07-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：243-250,259