计算机论文哪里有？本文从相关的无监督模型和监督模型的理论发展，以及利用标签信息来增强模型鉴别性的理论研究进行了介绍。针对如何利用特征编码和标签矩阵的天然属性得到更具鉴别性的数据表示，在已有理论的基础上，提出了三种鉴别性稀疏低秩理论为基础的图像分类方法。
第一章 绪论
1.2 发展及研究现状
图像分类问题一直是计算机视觉和模式识别领域一个非常活跃的课题。自稀疏表示被应用到分类问题中后，吸引了越来越多研究者的关注，在这个领域中如何获得判别的数据表示成为研究者始终关注的重点。从是否利用标签信息这一角度，鉴别性稀疏低秩相关的研究可以被分为无监督方法和监督方法两类。
稀疏表示最早被应用在信号分析领域，用于对信号进行稀疏分解，以获得信号更简洁表示形式。Wright 等人[9]在 2009 年提出基于稀疏表示（Sparse Representation-based Classification，SRC）的人脸识别算法，开创了稀疏表示在图像识别领域应用的先河。其关键点是假设样本可以被同一类别的少量其他样本线性表示。在其工作的基础上，许多学者对 SRC 的理论进行了研究并提出了改进版本[11]。在对 SRC 的机制进行了探讨后，Zhang 等人[13]的工作指出了 SRC 模型中协同表示的作用。他们提出的协同表示（Collaborative Representation based Classification, CRC）算法的分类精度与 SRC 相当，但非常有效地提升了运算效率。Cai 等人[14]从概率的角度解释了 CRC 的机制，并以此为基础提出概率协同表示方法（Probabilistic Collaborative Representation Based Classifier，ProCRC），在保证了运算效率的同时也有效地提升了识别率。Jiang 和 Lai 等人[15]提出了一种稀疏和稠密的混合表示方法（Sparse- and Dense-hybrid Representation，SDR），它是通过类特定字典的稀疏表示和非类特定字典的稠密表示来实现的，它将图像分解为三个组成部分：类特定信息，非类特定变化和稀疏噪声。
............
第三章 基于低秩特征的双转换矩阵学习算法
3.1 引言
基于最小二乘回归 LSR 的方法已被广泛用于模式识别和计算机视觉领域的任务。LSR 的数学易处理性使它成为一种简单但有效的数据分析工具。针对不同的场景已经开发了 LSR 的许多变体，例如加权 LSR[47]、偏 LSR[48]、核 LSR[49]等等。此外，一些基于稀疏表示的方法，例如 Wright 等人提出的基于稀疏表示的分类[10]及其变体，例如非负约束 SRC[11]和局部性约束 SRC[12]，以及在讨论 SRC 机制的基础上提出的基于协作表示的分类[13]，也可以视为基于 LSR 模型的方法，因为它们采用了 LSR 来进行重构项的约束。
传统的 LSR 旨在找到一个可以将样本完美地转换为相应标签矩阵的转换矩阵。模型的目标是使样本的回归结果与相应的回归目标之间的最小二乘损失最小化。稀疏约束可以被添加到投影上，例如
............
