基于视图内字典原子不一致的多视图字典学习算法

传统的多视图字典学习算法旨在利用多视图数据间的相关性,未能考虑多视图数据的差异性,这可能会降低字典的学习性能.受此启发,提出一种基于视图内字典原子不一致的多视图字典学习算法.该算法为每个视图学习类属字典和共享字典,同时,引入编码系数方差的最小化约束,以降低视图间字典的差异性;此外,通过每个视图编码系数与所有视图编码系数均值之间距离的加权和的最小化来约束相应特征的贡献度;然后,施加视图内字典原子的不一致性约束以降低视图内字典的冗余.最后,在两个数据集（AR和Extended Yale B数据集）上的实验验证了所提算法的有效性.