low rank representation 低秩表达
来源:互联网 发布:詹姆斯弗兰科 知乎 编辑:程序博客网 时间:2024/05/22 07:44
http://blog.csdn.net/silence1214/article/details/8802242
去年已经开始在接触低秩表达,最近学习到一些paper,发现对这个还是不是很理解,今天从这里开始记录一下对低秩表达的学习。
目前低秩表达主要用在子空间分割上,也就是给定一组数据,这组数据是从某几个子空间上来的,通过低秩表达可以达到对来自这几个子空间的数据进行聚类,可以找到哪些数据时来自具体的哪个子空间。
首先子空间分割有很多种方法比如基于概率模型的(由于高斯分布最能代表一个子空间,所以一般基于这种方法的数据都符合高斯分布)
其次是基于分解的方法,一般是基于现有分解方法的修改,并且是基于多次迭代完成的
接着是比较火的基于稀疏的子空间分割(sparse subspace clustering),通过对表达系数矩阵进行一个稀疏的约束完成(通过对每一列的系数约束完成整个稀疏矩阵的获取)。
上面三个分解方法的缺点就是:对noise和outliers很敏感,一旦有噪声那么分解方法就不精确。
所以提出来了low rank representation的方法,因为low rank是对系数矩阵整体的约束,所以llr的方法是从全局的观点出发来表达的,其次由于噪声会提高数据的rank,故在low rank的约束下自然就去掉了噪声,所以该方法对噪声的鲁棒性很强。
0 0
- low rank representation 低秩表达
- low rank representation 低秩表达
- 低秩表示的学习--Latent Low-Rank Representation(LatLLR)
- low rank representation
- 低秩矩阵恢复在机器视觉中的理解-- Sparse Representation based on Low-Rank Dictionary Learning
- 低秩矩阵恢复在机器视觉中的理解-- Sparse Representation based on Low-Rank Dictionary Learning
- 低秩分解的代码---(CODE) Low-Rank Matrix Recovery
- Low-rank representation with local constraint for graph construction
- 笔记:Semi-Supervised Low-Rank Representation for Image Classification
- 低秩矩阵在机器视觉中的理解--Low-Rank representations
- 低秩矩阵在机器视觉中的理解--Low-Rank representations
- 笔记:Structure-Constrained Low-Rank and Partial Sparse Representation with Sample Selection for image
- Low-Rank Matrix Fitting
- Low-rank approximations
- low rank读书笔记
- ArcGIS制图表达Representation-制图表达介绍
- ArcGIS制图表达Representation-制图表达原理
- low rank的一个测试数据
- 如何区分 导入库 静态库
- final, finally, finalize区别
- 拜占庭问题
- 有趣的立体书 《爱丽丝漫游仙境》
- 敏捷开发之Scrum扫盲篇
- low rank representation 低秩表达
- $RANDOM获取不到随机数
- Oracle 行列转换 总结
- 如何通过cmd传自定义参数到测试apk中
- loadView/viewDidLoad/initWithNibName/awakeFromNib/initWithCoder的用法
- smb共享文件夹
- jarsigner重新签名apk无法安装的解决方法
- 程序员找不到合适工作的原因总结
- textarea 的值回车换行拆分至数组 PHP