1. CS framework：三个核心公式2. 单观测向量（SMV） vs 多观测向量（MMVs）

算法的创新：对以前的算法、模型进行修改和改进；（也就是吴军老师所说的，N+1。试想有没有那么一种可能，N-M+K，华山不是只有路一条，适当地回退，再重新出发）“新”的模型和算法，属于另辟蹊径；当然也算不上严格意义上的“全新”，也不是基础性原理性的转变，不是缝缝补补的工作，而是开辟了新的路径；

1. 泛化在信号处理中，稀疏性频繁地应用于，求解如下最小化问题

1. 图像处理与计算机视觉Software - Michael Elad’s Personal Page：2. 机器学习与深度学习3. 全才Honglak Lee

to simplify notation，1. 增广（augment）xi=[xi;1]\mathrm x_i=[\mathrm x_i;1]，减少一个常数项；2. 多个求和号∥x∥2=xTx\|x\|^2=x^Tx向量 ⇒ 矩阵；求和号本身也可化为向量矩阵运算；∑in∥xi∥2=tr(XTX)\sum\limits_i^n{\|\mathrm x_i\|^2}=tr\left(\ma

t-SNE – Laurens van der Maaten（感谢学术男神们的无私开源）User_guide.pdf（用户指南）1. tsne 函数mappedX = tsne(X, labels, no_dims, init_dims, perplexity)tsne 是无监督降维技术，labels 选项可选；X∈RN×DX\in \mathbb R^{N\times D}，N 个样本，每

1. Dictionary Learning（字典学习）字典学习是图像的稀疏表示（sparse representation）的重要处理方法。K-SVD 字典学习又是字典学习理论的核心模型。给定如下参数：

衡量两幅图像的相似度： SNR/PSNRSSIM1. SNR vs PSNRabout SNR 和 PSNR2. SSIMSSIM（structural similarity index），结构相似性，是一种衡量两幅图像相似度的指标。

1. encourage sparsityℓ0\ell_0 范数： non-differentiable and difficult to optimize in generalℓ1\ell_1 范数：对数约束，log(1+∥x∥2)\log(1+\|x\|^2)

想不到如此官方且唯一的答案竟然在纷杂的网络世界里莫衷一是，五花八门。检索号（accession number）doi（Digital Object Unique Identifier，对象唯一标识符）检索号（）≠\nedoiEI检索号查询地址EI数据库官网：http://www.engineeringvillage.com/SCI检索号查询地址SCI数据库官网：https://www.web

所需工具及网站清单，HISTCITE：DOWNLOAD YOUR FREE COPY.提交自己的基本信息即可，十分简单；SCI数据库官网（web of science）：http://apps.webofknowledge.com/WOS 库，最终 HistCite 所要分析的正是从 WOS 查询导出的数据；0. 功能这样可快速找到领域内的：核心论文；领域明星作者；哪篇（哪几篇）论文开宗

1. 计算机视觉Kristen Grauman ：有重要期刊会议的文章，有 matlab 和 C++ 代码，有数据；学术达人，一年7篇CVPR和4篇ICCV——又一个超级女孩

一般手工生成的数据集（artificial datasets），通常用于实验部分最开始的演示和示意，用于对结果的一种精确计算和量化分析。1. Swiss/Helix/Twinpeaks/Broken Swiss（随机化数据集） 既然是某种随机化生成的数据集，自然依赖某种特定类型的随机变量。这里我们取采样自服从 [0, 1] 区间上的均匀分布（uniform distribution）的随机变量

篇幅不够，图片来凑；篇幅不够，Conclusion & Discussion 来凑；1. 可视化（visualization）Introduction 部分就要点出文章的创新性何在，当然配以一定的插图；模型的框架图；算法的流程图；实验部分； 效果图；折线图 准确率随着迭代次数/参数的变化而变化画图的工具也未必是单一的，可以多种多样； Matlab ⇒ Python ⇒ R

1. 期刊Journal of Sensors（Impact Factor 0.712）Journal of Electronic Imaging（Impact Factor*: 0.616；5-Year Impact Factor*: 0.840）