面向标签恢复的子集划分迭代投影集成

应晓清，刘 浩，2＊，袁文野，杨正成

（1. 东华大学 信息科学与技术学院，上海201620；2. 人工智能教育部重点实验室，上海200240）

1 引 言

图像特征提取是机器视觉领域的研究热点之一，近年来已有众多的特征提取算法相继被提出，并根据是否标记输入数据可大致分为三类：无监督、监督及半监督学习［1-6］。其中，无监督学习因其可自主探寻数据潜在模式与联系而备受瞩目。 在无监督特征提取中，典型的主成分分析（Principal Component Analysis，PCA）［7］旨 在 线 性 降 维 的 同 时投影数据至由主成分向量所跨越的线性子空间内，以最小的重构误差保留全局方差［8］；另一具有代表性的局部保持投影（Locality Preserving Projection，LPP）［9］则可通过恢复原始空间固有的非线性流形结构以保持数据的局部邻域关系，但LPP 技术忽视了全局视角且对噪声数据尤为敏感。 因此，低秩表示（Low-Rank Representation，LRR）［10］因 其 既 对 噪 声 干扰具有强鲁棒性，又可揭示数据全局结构信息，而受到广泛关注［11-16］。为了高效地综合各种技术以使得图像分类稳健而准确，Lu 等人［17］提出一种低秩保留投影（Low-Rank Preserving Projections，LRPP）的图像归类框架，LRPP 框架虽然具有一定的代表性，但执行效果很大程度上取决于样本标签的质量，在噪声环境下分类性能下降明显，导致其在实际应用中可能受到诸多限制［18-20］。 因此，图像特征提取的去噪问题亟待解决。

图像噪声分为标签噪声与特征噪声，其中标签噪声通常更难以学习与推广［21］。针对含噪标签，在不同图像归类框架下已经提出了较多恢复算法可供参考，大致分为标签噪声容忍与标签噪声净化［22-26］。……