带约束的半非负矩阵分解卷积网络算法及应用

广东工业大学 黄昊楠

卷积神经网络已成功应用于图像分类。然而，训练传统的卷积网络模型需要花费大量的时间和计算内存。半非负矩阵分解(Semi-NMF)是一种学习数据集特征表示的有用算法。本文提出了一种新的用于模式分类的约束半NMF神经网络（GSNnet）。GSNnet放弃了反向传播过程，采用半NMF学习卷积滤波器。这种方法极大地降低了网络复杂性。为了提高分类精度，我们还提出了图正则化约束图半NMF网络。此外，我们在应用中总是没有太多的数据来训练网络，如何能利用已知标签信息显得十分重要。为了处理上述情况，我们提出了一个标签约束的半NMF网络，它能够结合标签信息。通过实验比较了我们的方法与其他先进的图像分类任务模型。在STL-10数据集上的实验结果证明了我们方法的有效性。

如何解决图像分类问题一直是研究热点。传统的图像分类思想是先提取图像特征，然后进行分类。经典的特征提取模型，如尺度不变特征变换、Gabor特征和方向梯度直方图描述子。它们都可以成功地处理不同的分类任务，如人脸分类和对象识别。主成分分析和非负矩阵分解都是从图像中学习低维特征的有效算法。然而，手工特征提取是一项繁重的任务，手工特征不能简单地转移到新的数据集中，导致这些算法的泛化能力较弱。

近年来，深度学习已经成为图像分类中最重要的技术，尤其是卷积神经网络，因为它能有效地发现复杂的数据集结构。与传统模型不同，深度学习模型可以通过大量的训练自动学习数据的特征。……