基于判别性注意力加权的复杂场景视觉对象稀疏表征方法

本文创新性地提出HDAWSSR和SDAWSSR模型，将注意力机制引入稀疏子空间表示（SSR）领域，通过布尔矩阵和模糊矩阵分别构建硬/软注意力权重，协同学习样本特征权重与稀疏表征。该方法有效解决了传统模型忽视视觉样本特征权重的问题，在图像聚类和运动目标检测中显著优于现有子空间分割技术。

　　

亮点

• 首次将注意力机制整合到稀疏表示方法中，显著提升图像前景目标识别性能

• 通过样本间相似性/差异性图挖掘潜在信息，优化视觉图像的注意力权重学习

• 提出布尔矩阵约束的硬注意力模型（HDAWSSR）和模糊矩阵约束的软注意力模型（SDAWSSR）

• 开发了解决τ-稀疏性问题的创新算法

方法

本节提出判别性注意力加权稀疏子空间表示（DAWSSR）框架，其核心是通过联合学习对象注意力权重与稀疏子空间表征来构建模型。HDAWSSR采用二进制布尔矩阵实现特征选择，而SDAWSSR通过模糊矩阵实现柔性加权，二者分别对应不同的τ-稀疏约束条件。

实验验证

在EYB人脸数据集和动态视频数据集上的测试表明：

1. 1.

   对于30%遮挡的人脸图像，HDAWSSR聚类准确率达92.7%，较传统SSR提升23.6%

2. 2.

   SDAWSSR在运动目标检测中F₁-score达到0.89，能有效抑制阴影干扰

参数分析

关键参数敏感性实验显示：

• •

  注意力区域比例τ∈(0.3,0.7)时模型稳定性最佳

• •

  正则化系数α控制稀疏性，β调节注意力权重分布

结论

本研究突破性地解决了复杂视觉场景中特征权重分配的难题，所提出的τ-稀疏优化框架为医学图像分析（如CT病灶分割）提供了新思路。未来将探索基于深度注意力网络的扩展模型。