前景提取--Subspace learning models

最新推荐文章于 2022-07-08 21:10:12 发布
最新推荐文章于 2022-07-08 21:10:12 发布
阅读量745 收藏 1
点赞数
分类专栏： 算法学习 文章标签： 计算机视觉
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/u010598445/article/details/48916589
版权

参考论文

  • [2009] Subspace Learning for Background Modeling: A Survey
  • [2000] A Bayesian Computer Vision System for Modeling Human Interactions

相关工作

这里写图片描述

原理

这里写图片描述
这里写图片描述

结果

这里写图片描述

总结

子空间学习在前景提取中相对其它方法并没有优势，不过或许能给人带来一些处理问题的新思路。至于通过矩阵运算到底学到了什么，还值得研究一下。

yzbx
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PIXELHOP : A SUCCESSIVE SUBSPACE LEARNING (SSL) METHOD FOR OBJECT CLASSIFICATION
博客
03-03 1023
本文介绍了一种新的机器学习方法，称为连续子空间学习（SSL）。 以下我就挑重点的说,然后结合代码讲解一下： SSL包含四个关键成分： 1） 连续的近远邻域扩张 2） 通过子空间逼近，实现无监督降维 3） 通过标签辅助回归（label-assisted regression：LAG）监督降维 4） 特征连接与决策。 A new machine learning methodology, called...
SL-PCA(子空间学习模型)——前景提取
hello world
03-17 1479
目录 1、算法评价 2、综述 2.1子空间学习方法的背景建模 3、Matlab code Paper: subspace learning for background modeling:a survey 2009, T.Bouwmans A Bayesian Computer Vision Systemfor Modeling Human Interactions,Nuri...
迁移学习——Low-Rank Transfer Subspace Learning
SleepBuTa的博客
07-08 1079
《Low-Rank Transfer Subspace Learning》论文学习 迁移学习的目的是通过处理源领域和目标领域之间的细微差异，找到将学习到的知识从源领域转移到目标领域的方法。 在本文中，我们提出了一种新的框架，通过低秩表示约束来解决上述知识转移问题。 在Yale B、CMU PIE、UBKinFace数据库上的大量实验验证了所提出方法的有效性。...
[PED05]Incomplete Multi-view Clustering via Subspace Learning
zpainter的博客
04-29 1009
Incomplete Multi-view Clustering via Subspace Learning Publication：CIKM 2015 摘要： learn unified latent representations and projection matrices for the incomplete multi-view data 要求latent representation...
matlab npe,降维（子空间学习）的matlab代码程序 Matlab codes for dimensionality reduction (subspace learning)...
weixin_42517607的博客
03-17 450
Some general functionsEuDist2: Calculate the Euclidean distance matrix of two data matrix.mySVD: An efficient SVD.NormalizeFea: Normalize the data matrix.constructW: Function used to construct the aff...
Multi-view Low-rank Sparse Subspace Clustering Algorithm代码及各种数据集
01-08
标题中的“Multi-view Low-rank Sparse Subspace Clustering Algorithm”是一种先进的数据聚类技术，用于处理多视图数据。在机器学习和数据挖掘领域，数据往往可以从不同的角度或视图获取，比如图像可以有颜色、纹理...
Adaptive-graph-convolutional-subspace-clustering源码
最新发布
11-16
标题 "Adaptive-graph-convolutional-subspace-clustering源码" 涉及的是一个用于数据聚类的先进算法，该算法结合了图卷积网络（Graph Convolutional Networks, GCN）和子空间聚类（Subspace Clustering）。...
Multi-View_Subspace_Clustering_ICCV_2015_paper.pdf
01-09
Multi-View Subspace Clustering 方法论文总结 Multi-View Subspace Clustering 是一种新的多视图子空间聚类方法，该方法可以同时对每个视图的子空间表示进行聚类，并使用公共的聚类结构来保证不同视图之间的一致性...
hogmatlab源码-Learning-Transferable-Subspace-for-Human-Motion-Segmentatio
05-19
猪matlab原始码学习用于人体运动分割的可转移子空间 该存储库包含我们AAAI 18论文（TSS）的代码。 TSS是一种用于时空中人类动作分割的新颖方法。 它利用标记良好的源视频来改善目标视频分割性能。...
Online Multi-View Subspace Learning via Group Structure Analysis for Visual Object Tracking
02-08
Online Multi-View Subspace Learning via Group Structure Analysis for Visual Object Tracking
【论文解读】Partial Hash Update via Hamming Subspace Learning
BINGO's BLOG
07-05 346
“基于汉明子空间学习的部分哈希码的更新”论文梗概，以便自己对该论文做相关回顾 摘要 这篇论文主要是应对哈希码的更新，由于当前大量社交数据的哈希在线更新变得非常耗时，而提出的一种加快哈希更新方法，叫汉明子空间学习（Hamming Subspace Learning）HSL。HSL的主要动机是通过选择具有代表性的哈希方法，从高维汉明空间中生成低维的汉明子空间，通过使用HSL，希望能提高所有样本更新
联合的特征选：Joint Feature Selection and Subspace Learning
m0_37692953的博客
06-05 1295
联合的特征选：Joint Feature Selection and Subspace Learning已有 1885 次阅读 2016-1-11 04:27 |个人分类:RED|系统分类:论文交流微信公众号 readpami求扫描，求关注，求打赏Joint Feature Selection and Subspace Learning for Cross-modal RetrievalWang,...
机器学习中一些方向以及方法的大体解释
zhinanpolang的专栏
10-16 2310
子空间学习：subspace learning (1) 子空间学习是指通过投影实现高维特征向低维空间的映射，是一种经典的降维思想。 例如人脸图像，如果每幅图像提取出来的特征是1000维，则每幅图像对应着1000维空间中的一个点。维数太高给计算带来很多问题，且很多人认为真实有效的人脸图像特征并没有那么高维，可能只有100维，即每幅人脸只是100维空间中的一个点。将特征从1000维压缩到100维，...
LDA　　PCA
chuminnan2010的专栏
04-03 1162
LDA(Linear Discriminant Analysis)算法推导和计算方法   LDA也称Fisher线性判别，最早是由Fisher提出的，但是，最早的版本为两类的版本。 后来，又在两类的基础上进行了扩展，得出了多类的版本。 LDA基本定义中，需要注意SW（类内散度矩阵）和SB(类间散度矩阵)的定义。 SW的定义可以由两类
多视图聚类方向：子空间学习
weixin_47038252的博客
09-09 4264
1.对由多视图特征描述的数据进行聚类，通常的方法是通过挖掘多视图特征之间的互补信息来集成多视图特征。 本文方法的目标是通过限制标签空间的多样性和一致性来学习多视图聚类的最优标签矩阵。首先将聚类标签松弛为一致性和多样性部分，然后将其集成到基于多视图k-means矩阵分解的模型中，数学公式为 本文方法约束了标签空间的多样性和一致性。考虑到不同视图的聚类能力，使用自加权策略对每个视图进行加权。另外，将原始高维数据投影到低维空间进行降维，并且使用拉普拉斯图调节方法约束原始空间和低维空间数据领..
降维（子空间学习）的matlab代码程序 Matlab codes for dimensionality reduction (subspace learning)
GarfieldEr007的专栏
05-17 5667
Matlab codes for dimensionality reduction (subspace learning) If you find these algoirthms and data sets useful, we appreciate it very much if you can cite our related works: (Publications sort
机器学习——子空间学习（PCA & LDA）
weixin_47779143的博客
12-11 6615
1. 引入：子空间学习与降维 什么是子空间学习？ 子空间学习大意是指通过投影，实现高维特征向低维空间的映射，是一种经典的降维思想。绝大多数的维数约简（降维，投影）算法都算是子空间学习，如PCA、LDA、LPP、LLE等； 本文只介绍前两种维数约减算法，即主成分分析（PCA）和线性判别分析（LDA）。 什么是降维？什么情况下需要降维？ 降维：寻找一组映射对样本进行重新表示（representation）。 原样本：x=[x1;x2;...;xd]∈Rdx=[x_1;x_2;...;x_d]∈\mathb
计算机视觉经典论文集&此资源批量分类下载的Python程序
求知若饥，知行合一
04-30 2403
该资源为德州大学奥斯丁分校计算机视觉领域文献阅读课资源，此实验室在cv领域想必大家都知道的，该网页论文好多，使用迅雷的批量下载页不好使啊，自己用python写了一个多线程批量分类下载的程序，将论文下载到不同的文件夹并根据类别命名此文件夹，下载速度在本人这里最快为6M/S，建议下载前先翻墙(否则有些国外链接会受限制而下不到其网站资源)，最好晚上睡觉前运行程序，然后就可以直接睡觉去啦~ 全部论文下载
机器学习从入门到死亡(上)
chris1994的博客
03-19 1124
机器学习机器学习简介前言一、机器学习的种类1.有监督学习（supervised learning）2.无监督学习（unsupervised learning）3.半监督学习（semi-supervised learning）二、线性代数1.向量和矩阵1.1 向量（vectors）1.2 矩阵（matrices）1.3 矩阵的运算1.4 逆矩阵与矩阵的转置1.4 矩阵和标量的乘法2. 高斯消元法3. 向量空间3.1 群（groups）3.2 向量空间（vector space）3.2 向量空间的子空间3.2
diffusion-based sparse subspace clustering
09-18
扩散稀疏子空间聚类（Diffusion-based Sparse Subspace Clustering）是一种用于对高维数据进行聚类的方法。在高维数据中，每个样本通常代表一个在低维子空间上存在的潜在结构。通过识别这些子空间，并将在同一子空间中的样本归为一类，可以实现对数据的有效聚类。 扩散稀疏子空间聚类方法基于两个关键观察： 1. 相似样本倾向于属于相似的子空间。因此，如果两个样本在低维空间中较接近，它们很可能属于同一子空间。 2. 子空间中的样本可以表示为其他子空间样本的线性组合。在同一子空间中的样本可以以较低的维度表示，通过使用其他子空间样本的线性组合表示。 扩散稀疏子空间聚类方法通过以下步骤实现聚类： 1. 构建样本图：通过计算样本之间的相似度，构建一个图表示样本之间的连接关系。 2. 构建相似性矩阵：基于样本图，构建一个相似性矩阵，用于表示每对样本之间的相似程度。 3. 构建稀疏图：通过对相似性矩阵进行稀疏化处理，得到一个稀疏图，仅保留与每个样本最相关的邻居之间的连接。 4. 扩散聚类：利用稀疏图进行扩散聚类，将每个样本向其最相关的邻居进行扩散，最终将同一子空间中的样本迭代归为一类。 扩散稀疏子空间聚类方法具有较好的鲁棒性和高效性，适用于各种类型的数据集。同时，该方法在处理噪声和离群点时也有一定的鲁棒性，可以减少它们对聚类结果的影响。这使得扩散稀疏子空间聚类方法在图像处理、模式识别和数据挖掘等领域得到广泛应用。
评论
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