跨数据集图像分类是在图像分类应用中经常面临的问题。由于训练集数据与实际待分类(或测试)数据既有内在联系,又具有较大差异,导致常见分类器在跨数据集分类中的性能明显下降。为此,根据数据信息提出一种新的跨数据集图像分类方法。将主成分分析中特征信息保留的思想引入到基于L1特征选取的Logistic回归中,从而在选取图像特征时有效保持数据集中的高信息含量特征。实验结果表明,在多个常用跨数据集图像分类中,该方法能获得较好的图像分类效果。
科研之友
微信
新浪微博
Facebook
分享链接
