字典学习——Dictionary Learning
我主要从一下几个方面分享一下。
- 什么是字典学习
- 字典学习的理论依据及公式
- 字典学习的应用
1、什么是字典学习？
在人类发展的近几千年历史中，文字对人类文明的推动起着举足轻重的作用。人类用文字记述了千年的历史，用文字留下了各种思想火花，用文字抒发了各种各样的情感等等。但是这一切的内容，只需要一本字典就能表述完。因为人在这环节中的功能，无非就是使用字典当中的字词进行了适当的排列了而已。
基于这种思想，先前的大佬提出了字典学习——Dictionary Learning。
字典学习的目标，就是提取事物最本质的特征（类似于字典当中的字或词语）。如果我们能都获取这本包括最本质的特征的字典，那我们就掌握了这个事物的最本质的内涵。换言之，字典学习将我们的到的对于物体的信息降维，减少了该物体一些无关紧要信息对我们定义这个物体的干扰。
2、字典学习的理论依据及公式
- 稀疏模型
稀疏模型的作用如下：
稀疏模型将大量的冗余变量去除，只保留与响应变量最相关的解释变量，简化了模型的同时却保留了数据集中最重要的信息，有效地解决了高维数据集建模中的诸多问题——百度百科
可以发现，稀疏模型所能达到的效果与我们字典学习的目标一致。都是要将冗余的无关紧要的信息除去，将最重要的、本质的信息得以保留。也正因如此，所以“字典”的衡量标准也就产生了。字典创建的好不好，就要看它这个模型够不够稀疏。
ps：稀不稀疏，就是说你提取的特征是不是够关键，是不是够本质。
- 公式
x：输入的图像（维度为 
）
D：字典模型（维度为
）
α：疏松矩阵（维度为K）
我们的目的就是：
：
各分向量平方之后开方。
- 模型建立
我们可以将求D的问题看成一个优化问题，第一项是确保D和 
能够很好地重构 
（失真少），第二项是确保尽量稀疏（字典构建耦合性小，类似于在字典中我们解释一个字或词语尽可能的少用其他的词语）。
- 初始化
从样本集X中随机挑选n个样本，作为D的初始值；并且初始化α为0。
- 求解xi
为了简单起见，我们抽出一个样本进行讨论，假定样本为x向量，稀疏代码为α向量。现在x和D算是已知的，求解α，同时满足α尽量的稀疏，也就是非零元素尽量的少。假设D为[d1,d2,d3,d4,d5]，其中有5个原子。首先求出离x距离最近的原子，假设是d3。那么我们就可以求出一个初步的α为[0,0,c3,0,0]，c3是一个未知系数，代表原子的权重。假定x=c3*d3。可求得c3的值。接着我们用求出的c3求残差向量x'=x-c3*d3（此处），x'是一个预设的阈值向量，当x'小于阈值的话，则停止计算，如果不小于的话，转到下一步。 计算剩余的原子d1,d2,d4,d5中与残差向量x'距离最近的，假设是d1，那么更新α为[c1,0,c3,0,0]，假设x=c1*d1+c3*d3，求解出c1，然后更新残差向量x'=x-c1*d1-c3*d3（此处）。判断是否小于阈值，如果不满足，再继续求下一个最近的原子的系数。求解原子系数的数量也可以指定为一个常量，例如3，那就代表迭代3次。
- 更新字典
通过上一个步骤可以求出所有的 ，接着就可以更新字典D了。
保持α不变，使用相同步骤更新D。再保持D不变，使用相同步骤更新α。