基于稀疏表示全局字典学习的图像分类方法

doi:10.11772/j.issn.1001-9081.2015.02.0499

计算机应用 ›› 2015, Vol. 35 ›› Issue (2): 499-501.DOI: 10.11772/j.issn.1001-9081.2015.02.0499

基于稀疏表示全局字典学习的图像分类方法

蒲国林¹, 邱玉辉²

1. 四川文理学院计算机学院, 四川达州 635000;
2. 西南大学计算机与信息科学学院, 重庆 400715

收稿日期:2014-09-11 修回日期:2014-11-20 发布日期:2015-02-12 出版日期:2015-02-10
通讯作者: 邱玉辉
作者简介:蒲国林(1971-),男,四川宣汉人,副教授,博士,CCF会员,主要研究方向:人工智能、服务计算; 邱玉辉(1938-),男,重庆人,教授,博士生导师,主要研究方向:人工智能、大数据。
基金资助:
国家自然科学基金资助项目(61152003)。

Image classification based on global dictionary learning method with sparse representation

PU Guolin¹, QIU Yuhui²

1. School of Computer Science, Sichuan University of Arts and Science, Dazhou Sichuan 635000, China;
2. College of Computer and Information Science, Southwest University, Chongqing 400715, China

Received:2014-09-11 Revised:2014-11-20 Online:2015-02-12 Published:2015-02-10

摘要/Abstract

摘要：

针对传统的稀疏表示字典学习图像分类方法在大规模分布式环境下效率低下的问题,设计一种基于稀疏表示全局字典的图像学习方法。将传统的字典学习步骤分布到并行节点上,使用凸优化方法在节点上学习局部字典并实时更新全局字典,从而提高字典学习效率和大规模数据的分类效率。最后在MapReduce平台上进行并行化实验,结果显示该方法在不影响分类精度的情况下对大规模分布式数据的分类有明显的加速,可以更高效地运用于各种大规模图像分类任务中。

关键词: 字典学习, 图像分类, 稀疏表示, 大规模数据, MapReduce

Abstract:

To address the problem of low efficiency for traditional massive image classification, a sparse representation based global dictionary learning method was designed. The traditional dictionary learning steps were distributed to parallel nodes, local dictionaries were first learnt in local nodes and then a global dictionary was updated in real time by those local dictionaries and variables through using convex optimization method, thereby enhancing the efficiency of dictionary learning and classification of massive data. Experiments on the MapReduce platform show that the new algorithm has better performance than classical image classification methods without affecting the classification accuracy, and the new algorithm can be widely used in massive and distributed image classification tasks.

Key words: dictionary learning, image classification, sparse representation, massive data, MapReduce

中图分类号:

TP18
TP311

蒲国林, 邱玉辉. 基于稀疏表示全局字典学习的图像分类方法[J]. 计算机应用, 2015, 35(2): 499-501.

PU Guolin, QIU Yuhui. Image classification based on global dictionary learning method with sparse representation[J]. Journal of Computer Applications, 2015, 35(2): 499-501.

参考文献

[1] WRIGHT J, YANG A Y, GANESH A, et al. Robust face recognition via sparse representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.
[2] YANG M, ZHANG D, FENG X, et al. Fisher discrimination dictionary learning for sparse representation [C]// Proceedings of the 2011 IEEE International Conference on Computer Vision. Piscataway: IEEE, 2011: 543-550.
[3] WRIGHT J, YANG A Y, GANESH A, et al. Robust face recognition via sparse representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.
[4] TROPP J A, WRIGHT S J. Computational methods for sparse solution of linear inverse problems [J]. Proceedings of the IEEE, 2010, 98(6): 948-958.
[5] AHARON M, ELAD M, BRUCKSTEIN A. K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation [J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4311-4322.
[6] JIANG Z, LIN Z, DAVIS L S. Learning a discriminative dictionary for sparse coding via label consistent K-SVD [C]// Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2011: 1697-1704.
[7] MAIRAL J, PONCE J, SAPIRO G, et al. Supervised dictionary learning [C]// Proceedings of the 2009 Neural Information Processing Systems Conference. [S.l.]: NIPS, 2009: 1033-1040.
[8] SINDHWANI V, GHOTING A. Large-scale distributed non-negative sparse coding and sparse dictionary learning [C]// KDD '12: Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2012: 489-497.
[9] ZHANG Q. The research and implementation of MapReduce-based distributed rule matching system [D]. Hangzhou: Zhejiang University, 2011: 1-5. (张琦.基于MapReduce的分布式规则匹配系统的研究与实现[D].杭州:浙江大学,2011: 1-5.)
[10] DEAN J, GHEMAWAT S. MapReduce: Simplified data processing on large clusters [J]. Communications of the ACM, 2008, 51(1): 107-113.
[11] BERTESEKAS D P, TSITSIKLIS J N. Parallel and distributed computation: numerical methods [M]. Upper Saddle River: Prentlce-Hall, 1997: 19-27.
[12] WANG J. Discriminative sparse coding on multi-manifold for data representation and classification [J]. arXiv preprint arXiv: 2012, 1208.3839.
[13] LEE K-C, HO J, KRIEGMAN D. Acquiring linear subspaces for face recognition under variable lighting [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(5): 684-698.
[14] SHVACHKO K, KUANG H, RADIA S, et al. The Hadoop distributed file system [C]// Proceedings of the IEEE 26th Symposium on Mass Storage Systems and Technologies. Piscataway: IEEE, 2010: 1-10.

[1]	王东炜, 刘柏辰, 韩志, 王艳美, 唐延东. 基于低秩分解和向量量化的深度网络压缩方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1987-1994.
[2]	翟飞宇, 马汉达. 基于DenseNet的经典-量子混合分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1905-1910.
[3]	肖斌, 杨模, 汪敏, 秦光源, 李欢. 独立性视角下的相频融合领域泛化方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1002-1009.
[4]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[5]	谢莉, 舒卫平, 耿俊杰, 王琼, 杨海麟. 结合加权原型和自适应张量子空间的小样本宫颈细胞分类[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3200-3208.
[6]	周雯, 谌雨章, 温志远, 王诗琦. 基于位置编码重叠切块嵌入和多尺度通道交互注意力的鱼类图像分类[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3209-3216.
[7]	陈彤, 位纪伟, 何仕远, 宋井宽, 杨阳. 基于自适应攻击强度的对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 94-100.
[8]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[9]	李振亮, 李波. 基于矩阵分解的卷积神经网络改进方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 685-691.
[10]	文凯, 薛晓, 季娟. 面向复杂图像分类的共享转换矩阵胶囊网络[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3411-3417.
[11]	申志军, 穆丽娜, 高静, 史远航, 刘志强. 细粒度图像分类综述[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 51-60.
[12]	魏佳璇, 杜世康, 于志轩, 张瑞生. 图像分类中的白盒对抗攻击技术综述[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2732-2741.
[13]	任炜, 白鹤翔. 基于全局与局部标签关系的多标签图像分类方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1383-1390.
[14]	包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1375-1382.
[15]	季长清, 高志勇, 秦静, 汪祖民. 基于卷积神经网络的图像分类算法综述[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1044-1049.

基于稀疏表示全局字典学习的图像分类方法

Image classification based on global dictionary learning method with sparse representation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics