低秩表示的学习--Latent Low-Rank Representation(LatLLR)

最新推荐文章于 2024-07-02 17:44:16 发布
最新推荐文章于 2024-07-02 17:44:16 发布
阅读量2.4w 收藏 116
点赞数 17
分类专栏： 低秩矩阵
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/smilebluesky/article/details/44226671
版权
本文介绍了低秩表示的基本概念及其在数据去噪和子空间分割中的应用。通过LatLLR理论，探讨了如何在无噪声或噪声环境下鲁棒地分割子空间，并通过实例展示了其在实际场景中的效果，如视频序列的运动分析。参考了史加荣和胡正平的低秩矩阵恢复算法论文，以及Guangcan Liu的LatLLR方法。
摘要由CSDN通过智能技术生成

最近读了LLR(Low Rank Representation)的文章，所以整理一下。本文的主线是LLR-->LantLLR-->RobustLLR

代码地址：https://download.csdn.net/download/smilebluesky/10555664

一、低秩表示

刚开始接触低秩表示是看到一篇论文里面对公式进行了低秩约束，感觉很好奇，查了一下后，发现低秩很神奇，可以将噪声和干净数据自动分割出来。因为这一部分比较基础所以参考一篇中文论文[1]

 

稀疏表示也是将数据集矩阵表示成字典的线性组合，但是不同的是稀疏表示希望系数是稀疏的。

举例：

 

可以把Ui理解为空间里的基，然后Q是

最低0.47元/天 解锁文章
Lynne-huang
关注
  • 17
    点赞
  • 踩
  • 116
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
专栏目录
文献学习(part91)--Robust latent low rank representation for subspace clustering
小山羊的学习日志
04-28 291
学习笔记，仅供参考，有错必纠 期刊：Neucom-2014 作者：Hongyang Zhang; Zhouchen Lin; Chao Zhang; Junbin Gao 文章目录Robust latent low rank representation for subspace clusteringBackgroundthe short of prior workkey idea and algorithm overviewthe advantages of proposed algorithmprop
笔记：Learning Robust and Discriminative Subspace With Low-Rank Constraints
Xue Shengke 博客
02-11 1656
本文是这篇 Trans. on NNLS 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。
【机器学习论文阅读笔记】Robust Recovery of Subspace Structures by Low-Rank Representation
andrew_1219的博客
05-25 339
本文梳理了编者在阅读论文Robust Recovery of Subspace Structures by Low-Rank Representation时的逻辑流，为课堂汇报做准备
低秩矩阵(Low-Rank)的意义
To be a better man
06-12 2820
比如一张大草原的图片可以理解为，草原是由很多草组成的，而草是相似的，所以如果全是草，那么这张图所包含的信息量是很少的的，因为可以理解为草是草的复制品。而图中的蒙古包，人，马之类的则可以理解为图片所包含的信息，实际上，相对于只有草的草原图片和有草和蒙古包的草原图片，后者的秩是较高的。所以总结的一点就是：如果矩阵表达的是结构性信息，例如图像、用户-商品推荐表等，那么这个矩阵各行之间存在一定的相关性，那这个矩阵一般是低秩的。所以，数学中定义，矩阵中最大的不相关的向量的个数，叫做秩，可以理解为有秩序的程度。
改进的基于多视图和张量低秩表达的子空间聚类算法
...
07-02 952
针对，本文提出的改进的基于多视图和张量低秩表达的子空间聚类算法（MVTLR-HCFS）是一种综合性的算法，旨在通过多视图信息的融合和张量低秩表示技术，提高聚类的准确性和鲁棒性。
(转)低秩表示的学习--Latent Low-Rank Representation(LatLLR)
qq_41978139的博客
05-17 2150
原 低秩表示的学习--Latent Low-Rank Representation(LatLLR) 2015年03月12日 20:14:27 Lynne-huang ...
Infrared and visible image fusion using Latent Low-Rank Representation使用潜在低秩表示的红外与可见光融合
u012183541的博客
02-08 737
红外和可见光图像融合是图像融合领域的一个重要问题，已在许多领域得到广泛应用。为了更好地保存源图像中的有用信息，提出一种简单有效的基于潜在低秩表示（LatLRR）的图像融合方法。首先，通过LatLRR将源图像分解为低秩部分（全局结构）和突出部分（局部结构）。然后，通过加权平均策略融合低秩部分，以保留更多轮廓信息。然后，通过求和策略简单地融合突出部分，这是该融合框架中的有效操作。最后，通过结合融合的低秩部分和融合的突出部分来获得融合图像。
【低秩表示学习】 低秩在数据分析中的模型
weixin_46854242的博客
04-21 1933
低秩表示学习基础内容
Multi-task Learning(Review)多任务学习概述
喜欢打酱油的老鸟
06-29 2289
https://www.toutiao.com/a6707402838705701383/ 背景：只专注于单个模型可能会忽略一些相关任务中可能提升目标任务的潜在信息，通过进行一定程度的共享不同任务之间的参数，可能会使原任务泛化更好。广义的讲，只要loss有多个就算MTL，一些别名（joint learning，learning to learn，learning with auxil...
Latent Low-Rank Representation for Subspace Segmentation code
07-09
【标题】"Latent Low-Rank Representation for Subspace Segmentation code" 涉及的核心技术是潜在低秩表示（Latent Low-Rank Representation, LRR）在子空间分割与特征提取中的应用，主要针对图像处理和计算机视觉...
imagefusion_Infrared_visible_latlrr:潜在低秩表示的红外与可见光图像融合
05-19
使用潜在的低秩表示法进行红外和可见图像融合 吴小军* 使用潜在的低秩表示法进行红外和可见图像融合。 潜在的低排名表示 融合方法框架 抽象的 我们提出了一种基于潜在低秩表示（LatLRR）的新颖图像融合方法，该方法...
Sparse representation for tumor classification based on feature extraction using latent low-rank representation.
02-21
Sparse representation for tumor classification based on feature extraction using latent low-rank representation.
tutorial-deep-latent.pdf
07-17
这些模型利用深度学习技术，通过学习数据的低维表示，来捕获高维文本数据的复杂性。 3. **变分目标** 学习这些模型通常涉及最大化对数边缘似然或其下界。变分推断是一种常用方法，它通过近似后验分布来估计模型...
latent:学习文本和图形的表示
05-01
学习文本和图形的潜在表示形式。 特征 目的是实现所有趋势的文本和图形的深层表示，以方便重用。 这些方法应符合sklearn转换器接口，并执行fit和transform方法。 预训练模型的加载应与<class>.load("path")一样方便...
人工蜂群算法ABC-Kmean-Transformer-LSTM组合状态识别分类【含Matlab源码 6743期】.zip
08-02
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法优化Kmeans-Transformer-lstm分类预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO优化Kmeans-Transformer-lstm分类 4.4.2 粒子群算法PSO/蛙跳算法SFLA优化Kmeans-Transformer-lstm分类 4.4.3 灰狼算法GWO/狼群算法WPA优化Kmeans-Transformer-lstm分类 4.4.4 鲸鱼算法WOA/麻雀算法SSA优化Kmeans-Transformer-lstm分类 4.4.5 萤火虫算法FA/差分算法DE优化Kmeans-Transformer-lstm分类 4.4.6 其他优化算法优化Kmeans-Transformer-Lstm分类
【独家首发】龙格库塔算法RUN优化Transformer-BiLSTM负荷数据回归预测【含Matlab源码 6563期】.zip
08-02
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法优化Transformer-Bilstm预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO优化Transformer-Bilstm预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA优化Transformer-Bilstm预测 4.4.3 灰狼算法GWO/狼群算法WPA优化Transformer-Bilstm预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA优化Transformer-Bilstm预测 4.4.5 萤火虫算法FA/差分算法DE优化Transformer-Bilstm预测 4.4.6 其他优化算法优化Transformer-Bilstm预测
【中科院1区】Matlab实现海鸥优化算法SOA-RF锂电池健康状态估计算法研究.rar
最新发布
08-02
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释清楚，适合新手
stable-diffusion中latent-diffusion是什么，有什么作用，举例
06-11
Stable-Diffusion是一种用于图像生成、插值和修复的深度学习模型。其中，Latent Diffusion是Stable-Diffusion模型的一部分，用于对图像的低维表示进行扰动和采样，从而实现图像生成和插值。 具体来说，Latent Diffusion是一种基于扰动的采样方法，用于对图像的低维表示进行采样。在Latent Diffusion中，我们将原始的低维向量表示视为一个潜在状态，然后对这个潜在状态进行扰动，得到一系列新的潜在状态。接着，我们可以使用这些新的潜在状态来生成新的图像。 Latent Diffusion的作用是实现对图像低维表示的随机采样，从而实现图像生成和插值。通过对低维表示进行扰动，我们可以生成出多个不同的潜在状态，从而实现多样化的图像生成和插值。此外，Latent Diffusion还可以应用于图像修复，例如在图像中添加噪声或遮挡时，我们可以使用Latent Diffusion来恢复原始图像。 举个例子，假设我们想要生成一张全新的室内场景图像，我们可以使用Stable-Diffusion模型和Latent Diffusion来实现。首先，我们可以使用训练好的Stable-Diffusion模型生成一个初始的低维向量表示，并对这个低维向量表示进行扰动，得到一系列新的低维向量表示。接下来，我们可以使用Autoencoder模型对这些新的低维向量表示进行解码，生成一系列新的室内场景图像。这样，我们就可以生成出多样化的、具有室内场景特征的图像。同时，我们也可以使用Latent Diffusion来实现图像插值，例如将两个不同的低维向量表示进行线性插值，得到两张室内场景图像之间的中间图像。
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值