[論文レビュー] Block-Diagonal Sparse Representation by Learning a Linear Combination Dictionary for Recognition

Xinglin Piao, Yongli Hu+3 more|arXiv (Cornell University)|Jan 7, 2016

Sparse and Compressive Sensing Techniques参考文献 42被引用数 3

ひとこと要約

本稿では、線形結合辞書を用いたブロック対角スパース表現手法を提案し、認識性能を向上させる。ブロック対角構造を課すことにより、クラス内一貫性の低ランクモデリングと、学習サンプルから得た学習済み辞書を実現し、識別力と表現精度の両方を向上させた。この手法は、公開データセットにおいて最先端の手法を上回る性能を発揮した。

ABSTRACT

In a sparse representation based recognition scheme, it is critical to learn a desired dictionary, aiming both good representational power and discriminative performance. In this paper, we propose a new dictionary learning model for recognition applications, in which three strategies are adopted to achieve these two objectives simultaneously. First, a block-diagonal constraint is introduced into the model to eliminate the correlation between classes and enhance the discriminative performance. Second, a low-rank term is adopted to model the coherence within classes for refining the sparse representation of each class. Finally, instead of using the conventional over-complete dictionary, a specific dictionary constructed from the linear combination of the training samples is proposed to enhance the representational power of the dictionary and to improve the robustness of the sparse representation model. The proposed method is tested on several public datasets. The experimental results show the method outperforms most state-of-the-art methods.

研究の動機と目的

• 異なるクラス間の相関を低減することで、スパース表現ベース分類の識別性能を向上させること。
• 学習サンプルからの線形結合によって辞書を構築し、辞書の表現力の向上を図ること。
• クラス固有の一貫性をモデル化するため、低ランク制約を用いてクラス内スパース表現を精緻化すること。
• 辞書学習において、表現精度とクラス識別性のバランスを取ること。
• 既存の最先端手法を上回る、強固で効果的な認識モデルの開発

提案手法

• 異なるクラス間の相関を最小化するため、辞書にブロック対角制約を課し、識別能力を向上させる。
• 各クラス内の固有構造と一貫性をモデル化するため、最適化に低ランク項を組み込む。
• 学習サンプルの線形結合として辞書を構築することで、表現力と耐障害性を向上させる。
• これらの制約の下で、辞書とスパースコードを同時に最適化することで、認識性能を向上させる。
• ブロック対角構造、低ランク正則化、学習データからの辞書学習を統合した包括的な目的関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 スパース表現におけるクラス間相関をどのように低減すれば、分類の識別性が向上するか？
• RQ2 クラス内一貫性をどの程度モデル化できるか、スパース表現の精度が向上するか？
• RQ3 学習サンプルの線形結合から構築した辞書は、表現力と耐障害性を向上させられるか？
• RQ4 ブロック対角構造、低ランクモデリング、およびサンプルベース辞書学習を統合することで、優れた認識性能が得られるか？
• RQ5 提案手法は、ベンチマークデータセットにおいて、既存の最先端のスパース表現技術と比較してどのように差をつけるか？

主な発見

• 提案手法は、多数の公開データセットにおいて、大多数の最先端手法を上回る優れた認識精度を達成した。
• ブロック対角制約により、クラス間相関が効果的に低減され、識別性能が向上した。
• 低ランク項により、クラス内構造のモデリングが向上し、より正確なスパース表現が得られた。
• 線形結合による辞書構築により、モデルの表現力と耐障害性が向上した。
• 実験結果から、さまざまなベンチマークデータセットにおいて一貫した性能向上が確認された。