Independent components extraction from image matrix
Independent components extraction from image matrix
复制标题
从图像矩阵中提取独立分量
DOI：
10.1016/j.patrec.2009.10.014
复制
发表时间：
2010-02
影响因子：
5.1
通讯作者：
Zhang, David
中科院分区：
文献类型：
--
作者：
Xu, Hui;Zhang, Lei;Gao, Quanxue;Zhang, David
提取独立成分（IC）的关键问题是从已知的训练图像中学习去混合矩阵，该矩阵可以在传统的独立成分分析（ICA）中展开为向量。然而，展开的向量会导致小样本问题（SSS）和维数灾难。本文提出了一种新颖的独立特征提取方法，通过将每个输入图像编码为矩阵来解决这些问题。此外，引入矩阵的行和列方向图像，以更好地利用训练阶段嵌入图像中的空间和结构信息。与传统的ICA相比，该方法直接从图像矩阵中评估两个相关的解混合矩阵，无需矩阵到向量的变换，大大减轻了SSS和维数灾难，降低了计算复杂度，同时利用了图像中嵌入的空间和结构信息。大量实验表明，该方法优于标准ICA方法和一些无监督方法。
The key problem of extracting independent components (ICs) is to learn the demixing matrix from the known training images which can be unfolded to vectors in conventional independent component analysis (ICA). However, the unfolded vectors lead to the small sample size problem (SSS) and the curse of dimensionality. In this paper, a novel independent feature extraction method is proposed to solve these problems by encoding each input image as a matrix. In addition, the row and column directional images of the matrix are introduced to better exploit the spatial and structural information embedded in image during the training phase. Compared with the conventional ICA, the proposed method directly evaluates the two correlated demixing matrices from the image matrix without matrix-to-vector transformation, greatly alleviates the SSS and the curse of dimensionality, reduces the computational complexity, and simultaneously exploits the spatial and structural information embedded in image. Extensive experiments show that the proposed method is superior to the standard ICA method and some unsupervised methods.
登录
查看更多内容
DOI：
--
发表时间：
2004
期刊：
--
影响因子：
--
作者：
M. Alex O. Vasilescu
通讯作者：
M. Alex O. Vasilescu
DOI：
10.1007/bfb0015522
发表时间：
1996-04
期刊：
--
影响因子：
--
作者：
P. Belhumeur;J. Hespanha;D. Kriegman
通讯作者：
P. Belhumeur;J. Hespanha;D. Kriegman
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
Y. Koren;L. Carmel
通讯作者：
Y. Koren;L. Carmel
DOI：
10.1109/tpami.2007.250598
发表时间：
2007-01-01
影响因子：
23.6
作者：
Yan, Shuicheng;Xu, Dong;Lin, Stephen
通讯作者：
Lin, Stephen
影响因子：
7.5
作者：
Jieping Ye
通讯作者：
Jieping Ye