一种自适应联合深度学习网络的稀疏表达图像分类方法技术

本发明专利技术属于图像分类技术领域，具体涉及一种自适应联合深度学习网络的稀疏表达图像分类方法，该方法利用了自适应联合深度学习网络与基于协作表示的方法，对于对比学习网络无法识别的待分类样本，通过残差阈值判断，从而使得基于协作表示的方法来处理此类样本。本发明专利技术通过残差的方式选择适合的分类进行图像分类识别，只有光照变化的图片时，对比学习网络的识别准确率较高，因此自动选择对比学习网络的分类器；而对于遮挡图片中的眼镜遮挡图片，由于对比学习分类器依赖于眼镜这一特征，因此分类效果差，自适应地选择了基于线性表达的分类器进行了分类。

【技术实现步骤摘要】

本专利技术属于图像分类，具体涉及一种自适应联合深度学习网络的稀疏表达图像分类方法。

技术介绍

1、在过去的几十年中，人脸识别领域对于机器学习算法提出了许多基于协作表示(cr)的分类方法，这些方法旨在追求高计算效率和有前景的性能。为了应对人脸识别任务的复杂性和挑战性，研究人员设计了各种cr方法，其中一些杰出的算法包括稀疏表示分类(src)、联合表达分类(crc)、基于概率协同表示的模式分类方法(procrc)等。然而，尽管这些基于线性表达的机器学习算法在人脸识别中取得了一定的成果，但它们仍存在一些不足之处。首先，基于线性表达的方法在图像表达过程中可能会破坏图像的原有结构。由于线性表达方法通常将图像表示为向量，它们可能无法充分捕捉到图像中的空间信息和结构。这可能导致在表达过程中丢失一些重要的局部特征，从而影响分类的准确性。其次，这些线性表达方法通常将图像的每个像素权重都视为相等。然而，在人脸图像中，不同区域的像素对于人脸识别的贡献可能是不同的。例如，眼睛、鼻子和嘴巴等区域通常具有更高的区分度。忽略这种区域权重的差异可能导致一些不相关的特征对分类结果产生较大的影本文档来自技高网...

【技术保护点】

1.一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，包括：

2.根据权利要求1所述的一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，将AR人脸数据集划分为已知类别数据集和待分类数据集，包括：

3.根据权利要求1所述的一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，根据编码向量f(Ax)和f(y)构建第一目标函数，包括：

4.根据权利要求1所述的一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，结合编码向量f(Ax)和f(y)和表达系数x计算每一个类别与待分类图像的残差，包括：p>

5.根据权...

【技术特征摘要】

1.一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，包括：

2.根据权利要求1所述的一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，将ar人脸数据集划分为已知类别数据集和待分类数据集，包括：

3.根据权利要求1所述的一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，根据编码向量f(ax)和f(y)构建第一目标函数，包括：

4.根据权利要求1所述的一种自适应联合深度学习网络的稀疏表达图像分类方法，其特征在于，结合编码向量f(ax)和f(y)和表达系数x计算每一...

【专利技术属性】
技术研发人员：米建勋，陈剑飞，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：