多視圖特征學習方法研究.pdf

1、多視圖數(shù)據(jù)從多個角度刻畫同一物體，包含了比傳統(tǒng)的單視圖數(shù)據(jù)更加豐富的分類識別信息，因此近年來多視圖學習技術成為了一個研究熱點。不同視圖數(shù)據(jù)往往存在一定的信息冗余，如何充分地從多視圖數(shù)據(jù)中提取有用特征并且消除冗余是多視圖學習技術的關鍵問題。針對該問題，本文對多視圖學習技術進行了系統(tǒng)的研究，主要研究成果總結如下：
　　一、提出了兩個多視圖鑒別分析方法，即組遞歸鑒別子空間學習（GRDSL）和不相關局部敏感多視圖鑒別分析（ULSMDA）。

2、GRDSL在數(shù)據(jù)層融合多視圖數(shù)據(jù)，使用遞歸學習的方式將樣本集分解成多個近似集和相應的差分集，并在每次遞歸的差分集中學習一個鑒別變換。GRDSL設計了遞歸終止準則以及投影向量選擇規(guī)則，并能在理論上保證多個鑒別變換的正交性。通過自適應的遞歸學習過程，GRDSL可以從多視圖數(shù)據(jù)中有效地學得充足的有用特征。ULSMDA聯(lián)合學習了多個視圖特定的投影變換，使得在投影空間中，原始近鄰的同類樣本相互聚集，而原始近鄰的異類樣本相互排斥。ULSMDA考慮了

3、跨視圖數(shù)據(jù)的一致性，并設計了不相關約束，用于減少變換間的冗余。ULSMDA充分地使用了多視圖數(shù)據(jù)的局部結構信息用于不相關鑒別特征的學習。四個數(shù)據(jù)集上的實驗結果表明了這兩個方法的有效性。
　　二、提出了三個多視圖字典學習方法，即不相關多視圖鑒別字典學習（UMD2L）、多視圖低秩字典學習（MLDL）和多視圖低秩共享結構化字典學習（MLS2DL）。通過使得字典原子與類別標記相對應，UMD2L從多視圖數(shù)據(jù)中聯(lián)合地學習多個結構化字典。UMD

4、2L設計了不相關約束用于減少不同視圖字典間的冗余。從增強字典鑒別能力以及消除冗余這兩方面出發(fā)，UMD2L提升了多視圖字典學習技術有用特征學習的能力。MLDL將低秩學習技術引入到多視圖學習技術中，運用低秩矩陣恢復理論來解決噪聲存在情況下的多視圖字典學習問題。MLDL設計了結構化不相關約束，并為多視圖字典學習技術提供了高效的基于聯(lián)合表示的分類機制。MLDL為多視圖字典學習技術提供了在噪聲影響情況下充分學習有用特征的方案。MLS2DL關注視圖

5、間共享信息的挖掘，提出在學習多個視圖特定的低秩結構化字典的同時對視圖共享低秩結構化字典進行學習。MLS2DL為多視圖字典學習技術提供了在消除視圖間冗余信息的同時有效利用多視圖有利相關性的方案。實驗證明了相比于代表性的多視圖子空間學習方法和多視圖字典學習方法以及提出的GRDSL和ULSMDA方法，這三個方法可以獲得更優(yōu)的分類效果。
　　三、提出了一個半監(jiān)督多視圖鑒別分析方法，即不相關半監(jiān)督視圖內和視圖間流形鑒別學習（USI2MD）。