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
低秩矩阵在机器视觉中的理解--Low-Rank representations
smilebluesky的专栏
11-15 1万+
阅读论文Learning Structured Low-rank Representations for Image Classification 1.
基于低秩表示（Low-Rank Representation, LRR）的子空间聚类方法
最新发布
...
07-19 972
基于低秩表示（LRR）的子空间聚类方法通过构建低秩矩阵来揭示数据点之间的潜在低维子空间结构，即使在存在噪声和异常值的情况下也能保持较好的聚类效果。LRR 不仅可以用于聚类，还可以用于数据降噪、异常检测和完成缺失值等应用。通过将数据点表示为其他数据点的线性组合，LRR 能够在高维数据集中识别出潜在的低维子空间，从而实现高效和准确的聚类。
改进的基于多视图和张量低秩表达的子空间聚类算法
...
07-02 969
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。
low rank representation 低秩表达
热门推荐
silence1214的专栏
04-15 1万+
去年已经开始在接触低秩表达，最近学习到一些paper，发现对这个还是不是很理解，今天从这里开始记录一下对低秩表达的学习。 目前低秩表达主要用在子空间分割上，也就是给定一组数据，这组数据是从某几个子空间上来的，通过低秩表达可以达到对来自这几个子空间的数据进行聚类，可以找到哪些数据时来自具体的哪个子空间。 首先子空间分割有很多种方法比如基于概率模型的（由于高斯分布最能代表一个子空间，所以一
Latent Low-Rank Representation for Subspace Segmentation code
07-09
Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction ICCV matlab 论文代码
low rank representation
长风破浪会有时，直挂云帆济沧海
03-11 2240
去年已经开始在接触低秩表达，最近学习到一些paper，发现对这个还是不是很理解，今天从这里开始记录一下对低秩表达的学习。 目前低秩表达主要用在子空间分割上，也就是给定一组数据，这组数据是从某几个子空间上来的，通过低秩表达可以达到对来自这几个子空间的数据进行聚类，可以找到哪些数据时来自具体的哪个子空间。 首先子空间分割有很多种方法比如基于概率模型的（由于高斯分布最能代表一个子空间，所以一般基
【低秩表示学习】 低秩在数据分析中的模型
weixin_46854242的博客
04-21 2067
低秩表示学习基础内容
Sparse representation for tumor classification based on feature extraction using latent low-rank representation.
02-21
3. 隐含低秩表示（Latent Low-Rank Representation）： 低秩表示是将数据矩阵表示成低秩成分和稀疏误差的和。隐含低秩表示是一种更先进的数据表示方法，它假设存在一组隐含的低秩特征能够更好地揭示数据的内在结构。...
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...
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...
Low Rank Representation – Theories and Applications(ppt详解)
09-13
一个低秩分解的讲解，由林宙辰在北京大学做演讲时所用的材料。
低秩表示代码
01-23
TPAMI2013LRR低秩表示和子空间聚类算法代码，亲测可用
LRR 低秩表示
03-19
低秩表示是图像处理方面近几年研究的新领域，这个文件中包含了LRR的原始程序和改进方法
低秩表示模型
04-10
图像处理中的低秩表示模型，实现对图像的低秩和稀疏重构。
LRR低秩表示
04-26
LRR低秩表示文献
Low-rank representation with local constraint for graph construction
开飞机的小毛驴儿
02-29 1448
图构建中带有局部约束的低秩表示     摘要：近年来基于图的半监督学习得到的广泛的研究。本文提出了图构建中带有局部约束的低秩表示模型LRRLC，此模型在LRR模型的基础上整合了数据的局部信息，低秩约束捕捉数据的全局结构，因此LRRLC有能力同时捕捉到数据的全局信息和局部信息。在“相似的样本有大的相似系数”这一局部假设下引进了正则化项。在本文中所有相似性的度量同LRR模型中的一致。考虑到非负系数的
Learning Robust Low-Rank Representation (2012)笔记
wonderseen的博客
03-03 3198
Learning Robust Low-Rank Representation (2012) 注释： 本篇主要学习LRR和online LRR理论。本文由RPCA的提出讲起；再叙述论文提出的online RPCA数学解析以及insight；最终阐述如何与神经网络结合，构成可训练的online RPCA regressor。 论文梗要： 主要采用稀疏表示的非凸方法，来得到数据鲁棒...
笔记：Semi-Supervised Low-Rank Representation for Image Classification
Xue Shengke 博客
02-18 3482
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。
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