前景提取--Subspace learning models

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。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
扩散稀疏空间聚类(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空间上存在的潜在结构。通过识别这些空间,并将在同一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空间。 2. 空间中的样本可以表示为其他空间样本的线性组合。在同一空间中的样本可以以较低的维度表示,通过使用其他空间样本的线性组合表示。 扩散稀疏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,最终将同一空间中的样本迭代归为一类。 扩散稀疏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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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