补充:对于矩阵恢复问题上述应用 ,那么为什么可以核范数近似等于矩阵的秩,1范数近似等于0范数呢,文章中给出的解释是A的核范数是rank(A)的最优凸近似,1范数是0范数的最优凸近似。所以上述问题就转为凸优化问题。从而更容易求解问题。
1:对于矩阵重建问题的应用。
1)矩阵填充问题:最著名的当属netflix填充系统。很多部电影,很多人去评论,不可能每个人评论完每一部电影。把不同的电影看做一列,每个人对电影的评分看做一行,很显然,这个巨大的矩阵是不完备的。由于电影的题材,导演,演员等因素,导致这个矩阵之间有很大的相关性,所以,这个矩阵天然的也是应该是稀疏的。所以对可以用矩阵填充算法来实现。当然,由于这些算法必须要迭代的进行SVD分解,而netflix上的影片上十亿部,算法的实现必须考虑存储啊,效率啊等问题。
也可以用的视频修复,视频去噪上面去。一段视频,连续的各帧非常相似,而一幅图像中连续的一部分也是像素也是很相似。所以把连续的各帧图片拉成一列排成一个矩阵,这个矩阵很显然也是稀疏的。判断一个像素点和这几帧像素点的均值的差是否在一定范围内,从而来利用矩阵填充的知识,对污染的像素点进行矩阵填充。达到修复视频以及去噪的效果。
- 列表内容
2)矩阵恢复问题:背景建模问题。固定摄像机拍摄的一段视频,其背景是固定不变的,可以一帧一帧的截取下来,然后把各帧图片拉成一列,排成矩阵,矩阵是天然稀疏的,然后利用矩阵恢复算法,可以实现把低秩的背景和污染的噪声分离出来。曾经见过,有实验把一段视频当中走动的人给分离出来,也就是分离出来一段人走动的视频,背景还是背景,如果直接分离视频的话,那么算法的速度和效率该有多高呢???
人脸去光照问题,其实和背景建模一样,把同一幅人脸不同光照下的情况,拉成一列,然后这个人脸矩阵就是稀疏的,然后利用矩阵恢复算法,把标准人脸和噪声给分离出来。不过,这个人脸必须要求姿态大小什么的不能变化太大,也可以说是一个姿势,光照不同的情形下,因为算法要求矩阵是稀疏的。这另一方面也说明,对规则项的选择,和人的经验有很大的关系啊。
图片对齐问题。一张图片,人脸或者车牌,如果它横平竖直的话本身就是一个低秩矩阵,所以可以完全适用矩阵恢复算法,可以实现,低秩矩阵就是对齐的图片。然后再利用识别算法可以更完美的对图片进行识别。
结合字典学习稀疏表示方面,可以实现人脸的识别。其实也是稀疏表示分类问题。把训练的不同样本,也就是不同的人脸,进行矩阵恢复算法,那么会得到一系列的低秩矩阵和噪声污染矩阵。把低秩矩阵和噪声污染矩阵经过组合,看做过完备字典,然后再对测试图片进行分类,识别。当然这个字典是固定预设的。
PS:想到这突然想到淘宝的推荐,那完全是你每天浏览的网页内容的推荐啊,是不是也可以设计一个算法搜集你自己每天浏览的信息,通过机器学习来预测你将要浏览的东西??
或者收集一部分年龄习惯差不多的用户,收集他们浏览的信息,然后通过矩阵恢复算法,分离出一个干净的低秩矩阵加上一个噪声呢?噪声表示不同的人之间浏览信息的差异性呢??