《表3 在IRIS热红外/可见光图像数据集上的平均识别率》
%
图像数据是一种常见的高维小样本数据,即数据维数高,样本数量相对较少。从图1、2可以看出,基于图像数据的样本协方差矩阵往往严重偏离真实协方差矩阵,这是CCA在3个图像数集上拥有较差识别性能的重要原因。然而Cau CCA利用柯西估计对样本协方差矩阵的奇异值进行了纠正,构建了更接近真实协方差矩阵的柯西协方差矩阵,进而有效增强了相关特征的鉴别力,并在表1~3中分别显示出了良好的识别性能。CauCCA在识别率上明显优于CCA,这进一步验证了对柯西协方差矩阵分析的正确性。OCCA在相关投影的优化问题中添加了正交约束,并在理论上提升了数据压缩的紧凑性,最大限度地减少了相关特征的冗余信息。该方法在图像识别中也显示了相对较好的识别性能,在一定程度上改善了相关特征的鉴别力。KCCA利用经验核函数探索了原始高维数据中隐含的非线性结构信息,然而由于经验核函数不具有数据适应性,KCCA难以在各类数据集上很好地揭示数据的非线性结构,这是KCCA在3个不同数据集上相对识别性能相差较大的重要原因。OCCA和KCCA是相关特征学习中的两类代表性方法,该方法在大多数情况下拥有比OCCA和KCCA更高的识别率,这在一定程度上也显示了CauCCA在图像识别中的有效性。此外,OCCA和KCCA也是基于协方差矩阵的相关特征学习方法,利用CauCCA构建的柯西协方差矩阵,同样能够进一步增强OCCA和KCCA的识别性能。
图表编号 | XD0084297700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.15 |
作者 | 苏树智、谢军、高鹏连、邓瀛灏、郑苹 |
绘制单位 | 安徽理工大学计算机科学与工程学院、安徽理工大学计算机科学与工程学院、安徽理工大学计算机科学与工程学院、安徽理工大学计算机科学与工程学院、安徽理工大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |