استفاده از واريانس ويژگي ها براي محاسبه ضرايب متغير در مدل بازنمايي تنك چند وظيفه اي

روش هاي كدبندي تنك (sparse coding) كه بر مبناي بازنمايي ويژگي هاي تنك از تصاوير مي باشد،اخيرا مورد توجه زيادي واقع شده است.باوجود اينكه نتايج بدست امده در پايگاه هاي داده مختلف حاكي از موفقيت به دست آمده براي اين روش در مقايسه با روش هاي مرسوم است،اما دقت بدست آمده همچنان به اندازه مطلوب نيست.اين مشكل زماني بيشتر نمود پيدا مي كند كه تعداد تصاوير آموزش محدود و اندك باشد.بنابراين استفاده از چند ويژگي و چند ديكشنري به منظور آموزش آن اجتناب ناپذير است.در همين راستا در اين مقاله از روش بازنماي تنك چند-وظيفه اي (multi-task joint sparse representation) استفاده شده است.بر خلاف روش هاي مشابه قبلي كه از وزن هاي ثابت و مساوي براي تمام كلاس ها بهره گرفته مي شد.در اين مقاله از ضرايب متغير به منظور تركيب اين ويژگي هاي تنك استفاده شده است.به عبارت ساده تر اهميت هر ويژگي براي هركلاس به صورت مجزا در نظر گرفته شده است.بدين منظور سعي شده است كه از واريانس ويژگي ها در هر كلاس به عنوان معياري در تعيين ميزان اهميت استفاده شود.نتايج به دست آمده در دو پايگاه داده Caltech-101 و Caltech-256 نشان دهنده موفقيت چشمگير استفاده از ضرايب متغير است.