深度类加权与类共享字典学习在图像分类中的创新研究

《Expert Systems with Applications》：Deep Class-Weighted and Class-Shared Dictionary Learning for Image Classification

本文提出深度类加权与类共享字典学习（DCWSDL）新框架，通过分层学习类特定字典与共享字典（l2-norm约束），结合样本局部性权重与ReLU激活函数，显著提升图像分类的判别性特征提取能力。

　　

亮点总结

总而言之，我们的主要贡献可重点归纳如下：

1. 1.
   我们提出了一种名为深度类加权和类共享字典学习（DCWSDL）的新深度字典学习方法，它结合了深度字典学习和共享字典学习的优势，使其能够通过深度架构同时学习类特定和共享字典。
2. 2.
   DCWSDL支持局部感知字典学习。它利用原始数据的局部性信息来指导从输入数据获得的稀疏编码，并在交替优化过程中同时促进字典学习。具体来说，在学习输入数据在类特定字典上的稀疏编码时，编码系数的计算考虑了原始数据的局部性信息。
3. 3.
   我们没有在每一字典层使用恒等激活函数，而是提出使用非线性激活函数（即ReLU）来确保稀疏编码的有效性，并且在多个基准数据集上的广泛实验验证了DCWSDL的有效性。

深度类加权和类共享字典学习

在本节中，我们首先简要回顾与本文密切相关的字典学习（DL）模型。然后，我们介绍一个名为深度类加权和类共享字典学习（DCWSDL）的新框架，旨在通过深度结构联合学习捕获共同特征的共享字典和强调类特定特征的类特定字典。我们交替更新字典和系数，并在最后一节描述分类方法。

实验

在本节中，我们将我们的DCWSDL与几种最先进的技术进行比较，包括基于稀疏表示的分类（SRC）、类特定字典学习D-KSVD、LC-KSVD1和LC-KSVD2、SLatDPL、RBD-DPL、FDDL和DLSI，基于共享字典学习的LRSDL，以及深度字典学习模型如DDLCDN和DDDL。

结论

在本文中，我们提出了一种新颖的深度字典学习方法，即深度类加权和类共享字典学习（DCWSDL），它可以在新统一的框架中结合深度字典学习、共享字典学习和数据局部性保留的优势。DCWSDL通过新的分层加权类特定和类共享字典学习来区分样本的类特定特征和共享特征。对于类特定字典学习，我们引入了基于样本局部性信息的加权因子，以指导编码系数的优化，从而增强表示的判别能力。同时，共享字典通过低秩约束学习跨类别的共同特征。此外，我们在每个字典层后应用非线性激活函数（ReLU），以确保稀疏编码的有效性并促进更深层次抽象特征的学习。在多个基准图像数据集上的实验结果表明，DCWSDL优于我们所考虑的近期最先进算法。未来的工作将探索DCWSDL在更广泛视觉任务中的应用，并研究更高效的优化策略。