深层融合度量子空间学习稀疏特征提取算法

来源：信号处理杂志 2017年第6期北京时间：

作者：胡正平, 陈俊岭, 王蒙, 孙哲

摘要：特征提取作为模式识别中的重要步骤，一直是图像处理研究的重点，逐渐兴起的深度学习理论，作为一种新的深层特征提取模型，越来越受到广大学者的关注。本文提出一种基于深层融合度量学习的稀疏特征提取算法，在深度学习的框架内，构建度量映射矩阵，对图像进行分层映射，最大化保留样本集类间区分信息，并且通过稀疏迭代来保证特征提取结果的稀疏性。首先构建图像集距离度量函数，然后通过求解最大化类间距离来确定最优度量映射矩阵，同时对特征映射结果进行 范数稀疏迭代，提高噪声鲁棒性。然后对这个基本特征提取单元进行深度化改造，在第二层中进行同样的度量学习操作，最终通过多层融合提取得到分层深度稀疏特征。相对于已有子空间方法，本文在特征映射过程中引入度量自学习机制，并着重对各个特征映射层进行视觉合理性稀疏约束，融合多层特征语义描述生成最终特征提取结果。在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明，该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性，并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点。

关键词：深度学习, 度量学习, 多层融合, 稀疏优化