作者：赵鹏; 王维; 刘慧婷; 纪霞迁移学习鲁棒稀疏编码图像表示最大均值差异异常点
摘要：图像表示是图像处理和图像理解研究中的关键问题之一.在图像的低层表示上有很多重要的研究工作,例如HOG,SIFT等.然而在图像的低层表示和高层语义间仍然存在着巨大的鸿沟.因而,很多机器学习的方法被用来学习图像的高层表示,例如主成分分析,稀疏编码,非负矩阵分解以及低秩表示等.传统机器学习假设标记图像和未标记图像服从同一分布,图像表示的误差服从高斯分布.然而现实中图像数据更新速度快,而且图像生成环境存在差异性,导致未标记图像与已标记图像不服从同一分布,因而需要重新标记数据和训练模型.并且图像数据容易出现异常,例如遮挡、腐蚀等等,从而不能再用高斯分布来估计误差.迁移学习允许标记图像（训练数据）和未标记图像（测试数据）服从不同的分布.基于迁移学习的图像表示方法学习一个新的好的特征空间.在这个新的特征空间下,可以较好地描述标记图像和未标记图像的语义信息.并且在这个新的特征空间下,从训练集中标记图像上学习到的统计模型（例如分类模型）,可以较好地迁移到测试集中未标记图像上,从而充分利用已标记图像,将学习到的知识迁移到未标记的图像集上.该文提出了一种基于迁移鲁棒稀疏编码的图像表示方法,引入权值矩阵削弱异常点对分类的干扰,使用稀疏编码获得数据的高级语义,利用最小化最大均值差异缩小源域和目标域图像集之间的分布差异以及图拉普拉斯项保留图像集的几何特性.该文的主要贡献在于：一是通过权值矩阵泛化残差分布,使得所提出的基于迁移鲁棒稀疏编码的图像表示方法能大大减少异常点对编码和字典学习的影响;二是在鲁棒字典学习过程中,采用正则化参数代替迁移稀疏编码中的字典约束,从而将其转化为无约束优化问题,避免了拉格朗日求解法的复杂性.在几个通用迁�
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
