2017.2.14 日课

今天一天做了两件事，上午写天池的口碑预测竞赛，下午读low-rank方面的论文，来寻找dual-camera结构图像对齐的思路。闲书方面，读完了《对冲基金到底是什么》。

天池口碑竞赛

在这次比赛里使用的主要工具是Python，用到了pandas库。这个库提供了类似R语言的功能，其中的主要结构DataFrame很好用。在数据分析的学习中我使用过MATLAB，R和Python，总的来说我最喜欢Python的体验。MATLAB的新版本中有table这种新数据结构，但还是并不很好用。R与Python相比，我觉得Python对于程序员来说更为适合，比如最简单的方面是赋值用等号，符合平时习惯，以及提供了类似SQL的各种操作。具有CS背景的人应该很容易上手pandas，而R的各种使用方法与我们习惯不同。

遇到了一个比较蠢的坑，文本数据文件大小有2G多，32位的Python会显示内存错误。于是下了一个64版本的Anaconda。数据的整理在groupby的帮助下轻松加愉快，上午的大部分时间都在查pandas文档找函数用法，不过熟悉了以后应该会好很多。

low-rank论文

之前小老师就给了这个方向。Yi Ma有两篇论文TILT（Transform Invariant Low-Rank Textures）和RASL（Robust Alignment by Sparse and Low-rank Decomposition for Linearly correlated Images）。总结一下，主要是把应用抽象成以下数学问题：

$$\mathrm{argmin}_{\mathbf{A},\mathbf{E},\tau} ||\mathbf{A} ||_{*}+\lambda||\mathbf{E}||_1 \quad s.t. \quad \mathbf{D}\circ \tau=\mathbf{A}+\mathbf{E}$$
可见，这个过程是把原信号 $\mathbf{D}$分解为一个低秩矩阵 $\mathbf{A}$和一个稀疏矩阵 $\mathbf{E}$的过程。这两篇文章都把这种技术应用于图像的几何变换相关的应用中，一是一种二维特征，二是对齐同一物体的多张图像。
在求解方法上，两篇文章应用了Augmented Lagrange Multiplier。这种方法在优化的问题里面已经见过多次，包括它的扩展ADMM等。看了一下文章中求解优化问题的思路和过程，还是感觉不理解的地方比较多，中间冒出来的一些推论也不知道其出处。我这种水平的小硕士最多就是照猫画虎的把大神做过的方法应用到其他问题上，而想要自己去进行分析和求解还是需要不少的努力才行。晚上照着文章中的算法看了一下代码，还没有看完。
大体读过上面这两篇文章以后又找到一篇这种方法在Hyperspectral方面的应用Hyperspectral Image restoration using low-rank matrix recovery，简略读了一下是用low-rank方法做HSI的去噪。明天仔细读读看。

闲书

曾国藩在家书中说，读经的时候胡思乱想脑袋大，读史一气儿能读好多。把论文看作是经，闲书看作是史的话，我现在的情况简直如出一辙。没有办法，人的好恶是以前的各种因素决定的，想要把兴趣不高的事情做下去，就需要心理上的修炼，即修身。每日做日课就是修身。摈弃看剧玩游戏的习惯，改看闲书，也是修身。