低秩矩阵恢复在机器视觉中的理解-- Sparse Representation based on Low-Rank Dictionary Learning
来源:互联网 发布:php 判断是否在数组中 编辑:程序博客网 时间:2024/06/06 14:15
http://blog.csdn.net/smilebluesky/article/details/41147113
最近看论文,无意中发现低秩矩阵感觉很给力,所以看了几篇低秩矩阵的论文,总结一下。
1.Sparse Representation for Fa ce Recognition based on Discriminative Low-Rank Dictionary Learning
a解决的问题:在有噪声的图片下进行人脸识别
b前人工作:以前的算法主要是基于训练样本学习的字典来重构信号,这种方法对干净的信号或者只有少量噪声的信号效果好。
C.解决方案:
如果损坏的像素可以被分离那么就很有利于分类和重构了。回忆数学中,如果矩阵A的每个列是来自于同一模式的,那么我们就说他们是线性相关,也就是说矩阵A是低秩的。所以如果矩阵A被稀疏噪声污染了,我们就可以利用最小化秩通过分离噪声E来恢复矩阵A了。(为什么字典是低秩的)
基于上述思想就把最小化秩的思想整合到了稀疏表示中。算法分离噪声的同时优化字典的原子来重构去噪的信号。
如果样本有污染的话,低秩性会很容易被破坏,所以需要加入一个E来近似代表稀疏错误。
因为本文中的字典是可区分的,所以把子字典的可区分性(discriminative power)表示为下面两层意思字典Di能够很好的表示Yi (也就是说Yi=DiXi,i+Ei)第二层意思就是来自第j类的样本他的系数Xj,i(第j类样本Yj对应于第i类字典Di的系数)接近于0(等同于是非常小的,即字典Di和样本Yj相关性若弱)
训练和测试的时候都污染的图片
d.实验结果
DLRD_SR的方法比FDDL平均有4%的提升。
采用本方法的优点:
a.训练样本中的稀疏噪声被更正了,保证了字典中的原子可以最优到纯净的
b.字典是用有区分的方法来学习的使得提出的模型更利于识别
c.和RPCA相比字典的优化是在稀疏表示的框架下的,某一类中的相似度提高了,结构加强了来去除稀疏的噪声,字典原子被优化到更好的适用于稀疏表示
- 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
- 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)
- Incoherent dictionary learning for sparse representation based image denoising(一)
- low rank representation
- ICCV13_log Euclidean kernels for sparse representation and dictionary learning
- 笔记:Structure-Constrained Low-Rank and Partial Sparse Representation with Sample Selection for image
- 《Vehicle Detection in High-Resolution Aerial Images Based on Fast Sparse Representation ...》论文笔记
- LRSD: Low Rank and Sparse matrix Decomposition
- 低秩分解的代码---(CODE) Low-Rank Matrix Recovery
- 计算机视觉 Low Level Image Feature Representation
- 计算机视觉和模式识别中的稀疏表示(Sparse Representation for Computer Vision and Pattern Recognition)
- 计算机视觉和模式识别中的稀疏表示(Sparse Representation for Computer Vision and Pattern Recognition)
- Call for papers-Special Issue on View-Based 3D Representation, Learning, and Understanding
- 不老神话
- 两种不同方式测试SharedPreferences
- 黑马程序员 —— 集合框架
- PostgreSQL 的痛点
- jQuery之防止冒泡事件
- 低秩矩阵恢复在机器视觉中的理解-- Sparse Representation based on Low-Rank Dictionary Learning
- Oracle 分析 sql 的执行效率
- 系统文件路径解析及环境变量一览(整合备用)
- wegw
- 关于xml学习(二)——xml的约束之DTD
- IOS
- Web Server 架构浅谈-Threadpool-based Multiple Threaded Achitecture
- 稀疏表达:向量、矩阵与张量
- jQuery.extend 使用教程