低秩矩阵恢复在机器视觉中的理解-- Sparse Representation based on Low-Rank Dictionary Learning

转载 2014年12月30日 11:49:39

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


相关文章推荐

低秩矩阵在机器视觉中的理解--Low-Rank representations

阅读论文Learning Structured Low-rank Representations for Image Classification 文章主要有两个创新点 1.在普通的低秩表示外另外...

低秩矩阵在机器视觉中的理解--Low-Rank representations

阅读论文Learning Structured Low-rank Representations for Image Classification 1.

笔记:Structure-Constrained Low-Rank and Partial Sparse Representation with Sample Selection for image

本文是这篇 Pattern Recognition 期刊论文的笔记,主要是对文中的理论方法进行展开详解。本人学术水平有限,文中如有错误之处,敬请指正。

论文阅读:BoVW-MI:TASK DRIVEN DICTIONARY LEARNING BASED ON MUTUAL INFORMATION FOR MEDICAL IMAGE CLASSIFIC

BoVW MUTUAL information

机器视觉基础矩阵代码

  • 2008-05-24 14:06
  • 7.81MB
  • 下载

机器视觉——旋转矩阵的计算(二)

机器视觉——旋转矩阵的计算(二)参考文献该算法是opencv采用的四元数解法,参见 Using Quaternions to Calculate RMSD xk和ykx_{k}和y_{k}是两组三维...

笔记:Semi-Supervised Low-Rank Representation for Image Classification

本文是这篇 SIViP 期刊论文的笔记,主要是对文中的理论方法进行展开详解。本人学术水平有限,文中如有错误之处,敬请指正。
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)