Joint learning sparsifying linear transformation for low-resolution image synthesis and recognition

بسیاری از مشکالت بینایی کامپیوتری عبارتند از: بررسی مدل های سنتز و طبقه بندی که تصاویر را از فضای منبع مشاهده شده به یک فضای هدف هدایت می کنند. اخیرا یکی از روش های محبوب و موثر تبدیل تصاویر از فضای منبع و هدف به یک دامنه ی مجزا به اشتراک گذاشته شده است که در آن یک مدل سنتز ایجاد شده است. با استفاده از این تکنیک، این تحقیق تلاش می کند تا یک کارکرد خطی موثر و قوی را که نقاط ضعیف تصاویر از فضای منبع را به فضای هدف هدایت می کند، شناسایی کند و به طور همزمان یک طبقه بندی خطی را در یک فضای مرتبط با هر دو تحت نظارت و نیمه یادگیری نگهدارنده به منظور ترسیم ساختار ضعیف به اشتراک گذاشته شده توسط هر کلاس، ما این نقشه بندی را با استفاده از یک تبدیل خطی با محدودیت اسپاریتی نشان می دهیم. عملکرد روش پیشنهادی ما بر روی چندین مجموعه داده های معیاری برای طبقه بندی چهره ها و ارقام با وضوح با وضوح و وضوح فوق العاده ای مورد ارزیابی قرار گرفته و نتایج تجربی تأثیر روش پیشنهادی را تأیید می کند.