[논문 리뷰] Block-Diagonal Sparse Representation by Learning a Linear Combination Dictionary for Recognition

Xinglin Piao, Yongli Hu외 3명|arXiv (Cornell University)|2016. 01. 07.

Sparse and Compressive Sensing Techniques참고 문헌 42인용 수 3

한 줄 요약

이 논문은 인식 성능을 향상시키기 위해 선형 조합 사전를 사용한 블록 대각 희소 표현 방법을 제안한다. 블록 대각 구조를 강제 적용함으로써 내부 클래스 일관성에 대한 저질러진 모델링과 학습 샘플로부터 학습된 사전를 통해, 분류 성능의 분류 능력과 표현 정확도를 모두 향상시켜 공개 데이터셋에서 최신 기법들을 능가한다.

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.

연구 동기 및 목표

• 다른 클래스 간 상관관계를 줄임으로써 희소 표현 기반 분류의 분류 성능을 향상시키기 위해.
• 학습 샘플의 선형 조합으로 구성된 사전를 통해 사전의 표현 능력을 향상시키기 위해.
• 저질러진 제약 조건을 사용하여 내부 클래스 희소 표현을 정교화하여 클래스 특화된 일관성을 모델링하기 위해.
• 사전 학습에서 표현 정확도와 클래스 분류 능력의 균형을 이루기 위해.
• 기존 최신 기법들을 능가하는 강건하고 효과적인 인식 모델을 개발하기 위해.

제안 방법

• 다른 클래스 간 상관관계를 최소화하기 위해 사전에 블록 대각 제약 조건을 도입하여 분류 능력을 향상시킨다.
• 각 클래스 내 임베딩된 구조와 일관성을 모델링하기 위해 최적화에 저질러진 항목을 통합한다.
• 학습 샘플의 선형 조합으로 구성된 사전를 통해 표현 능력과 강건성을 향상시킨다.
• 이러한 제약 조건 하에서 사전와 희소 코드를 동시에 최적화하여 인식 성능을 향상시키는 전체 최적화 모델을 구성한다.
• 블록 대각 구조, 저질러진 정규화, 학습 데이터로부터의 사전 학습을 통합한 통합 목표 함수를 사용한다.

실험 결과

연구 질문

• RQ1 희소 표현에서 다른 클래스 간 상관관계를 어떻게 줄일 수 있을까? 이를 통해 분류 분류 능력을 향상시킬 수 있는가?
• RQ2 내부 클래스 일관성은 어느 정도 모델링할 수 있을까? 이를 통해 희소 표현 정확도를 향상시킬 수 있는가?
• RQ3 학습 샘플의 선형 조합으로 구성된 사전는 표현 능력과 강건성을 향상시킬 수 있는가?
• RQ4 블록 대각 구조, 저질러진 모델링, 샘플 기반 사전 학습을 통합하면 우수한 인식 성능를 달성할 수 있는가?
• RQ5 제안된 방법은 벤치마크 데이터셋에서 기존 최신 기법들과 비교해 어떻게 성능를 발휘하는가?

주요 결과

• 제안된 방법은 다양한 공개 데이터셋에서 대부분의 최신 기법들보다 뛰어난 인식 정확도를 달성한다.
• 블록 대각 제약 조건은 다른 클래스 간 상관관계를 효과적으로 줄여 분류 성능를 향상시킨다.
• 저질러진 항목은 내부 클래스의 구조를 더 정확하게 모델링하여 더 정확한 희소 표현을 가능하게 한다.
• 선형 조합 사전 구성은 모델의 표현 능력과 강건성을 향상시킨다.
• 실증 결과는 다양한 벤치마크 데이터셋에서 일관된 성능 향상을 보여준다.