Fast Fisher Sparsity Preserving Projections
Fast Fisher Sparsity Preserving Projections
复制标题
快速费舍尔稀疏保持投影
DOI：
10.1007/s00521-012-0978-2
复制
发表时间：
2013-09
期刊：
影响因子：
--
通讯作者：
Shuang Wang
中科院分区：
文献类型：
--
作者：
Fei Yin;L.C. Jiao;Fanhua Shang;Shuang Wang
近年来，人脸图像等高维数据中的底层稀疏表示结构引起了人们的极大兴趣。本文提出了两种新的有效降维方法--快速稀疏保持投影(FSPP)和快速Fisher稀疏保持投影(FFSPP)，旨在保持高维数据的稀疏表示结构。与现有的稀疏保持投影(SPP)通过求解耗时的范数优化问题来学习稀疏表示结构不同，FSPP通过分类PCA分解构造字典，并通过矩阵向量乘法在构造的字典下学习稀疏表示结构，这在计算上要容易得多。FSPP通过在FSPP公式中加入Fisher约束来提高FSPP的识别能力，从而兼顾了FSPP的稀疏表示结构和识别效率。这两种方法都可以归结为广义特征值问题。在三个公开可用的人脸数据集(Yale、Extended YaleB和ORL)和一个标准文档集(Reuters-21578)上的实验结果验证了所提方法的可行性和有效性。
Recently, there has been a lot of interest in the underlying sparse representation structure in high-dimensional data such as face images. In this paper, we propose two novel efficient dimensionality reduction methods named Fast Sparsity Preserving Projections (FSPP) and Fast Fisher Sparsity Preserving Projections (FFSPP), respectively, which aim to preserve the sparse representation structure in high-dimensional data. Unlike the existing Sparsity Preserving Projections (SPP), where the sparse representation structure is learned through resolvingn(the number of samples) time-consumingnorm optimization problems, FSPP constructs a dictionary through classwise PCA decompositions and learns the sparse representation structure under the constructed dictionary through matrix–vector multiplications, which is much more computationally tractable. FFSPP takes into consideration both the sparse representation structure and the discriminating efficiency by adding the Fisher constraint to the FSPP formulation to improve FSPP’s discriminating ability. Both of the proposed methods can boil down to a generalized eigenvalue problem. Experimental results on three publicly available face data sets (Yale, Extended Yale B and ORL), and a standard document collection (Reuters-21578) validate the feasibility and effectiveness of the proposed methods.
登录
查看更多内容
DOI：
10.1109/tsmcb.2006.870645
发表时间：
2006-08
期刊：
IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics)
影响因子：
--
作者：
Haitao Zhao;P. Yuen;J. Kwok
通讯作者：
Haitao Zhao;P. Yuen;J. Kwok
DOI：
10.1002/047134608x.w5513.pub2
发表时间：
2019-02
期刊：
Wiley Encyclopedia of Electrical and Electronics Engineering
影响因子：
--
作者：
K. Kulkarni;P. Turaga;Anuj Srivastava;Rama Chellappa
通讯作者：
K. Kulkarni;P. Turaga;Anuj Srivastava;Rama Chellappa
影响因子：
3.9
作者：
Lorenzo Vaquero;V. Brea;M. Mucientes
通讯作者：
Lorenzo Vaquero;V. Brea;M. Mucientes
DOI：
10.1049/iet-bmt.2018.5117
发表时间：
2016
期刊：
IET Biom.
影响因子：
--
作者：
Sheng He;Lambert Schomaker
通讯作者：
Sheng He;Lambert Schomaker
DOI：
10.1016/c2009-0-27872-x
发表时间：
1972
期刊：
影响因子：
--
作者：
H. Shimodaira;Iain Murray
通讯作者：
Iain Murray