[论文解读] Non-negative Sparse and Collaborative Representation for Pattern Classification

Jun Xu, Xu Zhou+3 more|arXiv (Cornell University)|Aug 20, 2019

Face and Expression Recognition参考文献 62被引用 5

一句话总结

本文提出非负稀疏与协作表示（NSCR），一种新方法，通过在稀疏和协作表示中强制非负性来提升模式分类性能。通过将测试样本表示为训练样本的非负线性组合，NSCR增强了判别能力，在基准数据集上实现了优于以往SR/CR方法和最先进深度学习方法的性能表现。

ABSTRACT

Sparse representation (SR) and collaborative representation (CR) have been successfully applied in many pattern classification tasks such as face recognition. In this paper, we propose a novel Non-negative Sparse and Collaborative Representation (NSCR) for pattern classification. The NSCR representation of each test sample is obtained by seeking a non-negative sparse and collaborative representation vector that represents the test sample as a linear combination of training samples. We observe that the non-negativity can make the SR and CR more discriminative and effective for pattern classification. Based on the proposed NSCR, we propose a NSCR based classifier for pattern classification. Extensive experiments on benchmark datasets demonstrate that the proposed NSCR based classifier outperforms the previous SR or CR based approach, as well as state-of-the-art deep approaches, on diverse challenging pattern classification tasks.

研究动机与目标

• 通过强制非负性，提升稀疏与协作表示在模式分类中的判别能力。
• 解决现有稀疏与协作表示方法在处理复杂现实世界分类任务时的局限性。
• 基于非负稀疏与协作表示开发一种新型分类器，其性能优于现有最先进方法。
• 验证非负约束在提升表示保真度与分类准确率方面的有效性。

提出的方法

• NSCR方法将每个测试样本的表示形式化为训练样本的非负线性组合。
• 在强制表示系数非负的前提下，联合优化稀疏性与协作性。
• 该方法求解一个约束优化问题，以平衡表示准确性、稀疏性与非负性。
• 分类器基于重构误差或与训练类别的相似性，利用NSCR系数计算分类得分。
• 通过优化公式中的框约束或惩罚项来强制实现非负性。
• 该方法被应用于多种基于标准基准数据集的模式分类任务。

实验结果

研究问题

• RQ1 在稀疏与协作表示中强制非负性是否能提升分类性能？
• RQ2 NSCR在准确率与鲁棒性方面与传统稀疏表示和协作表示相比如何？
• RQ3 NSCR在具有挑战性的模式分类任务上是否优于最先进深度学习模型？
• RQ4 非负性对表示向量判别能力有何影响？

主要发现

• 基于NSCR的分类器在分类准确率上优于传统稀疏表示与协作表示方法。
• NSCR在多种基准模式分类数据集上优于最先进深度学习方法。
• 非负性约束增强了表示的判别能力，从而带来更鲁棒的分类结果。
• 所提出方法在多个具有挑战性的分类任务中均表现出一致的性能提升。