RLNMF-SP模型

一种同时保持全局与局部结构、并对噪声和遮挡具有鲁棒性的非负矩阵分解模型，用于图像分类，识别率较其他模型平均提高1–4%。

万鸣华 · Ying, Zhao · 殷骏 · 孙成立 · 杨国伟

Pattern Recognition 2026

参数信息

识别率提升

1–4 %

技术优势

对噪声更鲁棒

通过低秩属性抑制噪声和遮挡的负面影响，模型在含噪数据上仍保持高识别率。

无需人工设邻域

利用欧氏距离自动为每个数据点分配合适的邻域，无需人工干预即可把握几何拓扑。

结构保持更好

同时保持特征空间、表示空间和原始空间的结构一致性，并保持类内紧凑性和类间可分性。

应用场景

• 图像分类：在含噪和遮挡的真实图像上获得更准确的分类结果。
• 模式识别：自动学习数据几何结构，无需人工设计特征。
• 鲁棒特征提取：对噪声和遮挡鲁棒的特征表示，提高下游任务性能。