基于隐空间的低秩稀疏子空间聚类

提出了一种基于隐空间的低秩稀疏子空间聚类算法,在聚类的过程中可以对高维数据进行降维,同时在低维空间中利用稀疏表示和低秩表示对数据进行聚类,大大降低了算法的时间复杂度.在运动分割和人脸聚类问题上的实验证明了算法的有效性.     

分布式低秩张量子空间聚类算法

现有基于低秩表示的子空间聚类算法(LRR)无法有效地处理大规模数据,聚类正确率不高,以及分布式低秩子空间聚类算法(DFC-LRR)不能直接处理高维数据.为此,文中提出了一种基于张量和分布式方法的子空间聚类算法.该算法首先将高维数据视为张量,在数据的自表示中引入张量乘法,从而将LRR子空间聚类算法拓展到高维数据;然后采用分布式并行计算得到低秩表示的系数张量,并对系数张量的每个侧面切片稀疏化,得到稀疏相似度矩阵.在公开数据集Extended YaleB、COIL20和UCSD上与DFC-LRR的对比实验结果表明,文中算法能有效地提高聚类正确率,且分布式计算能明显降低算法的运行时间.     

矩阵表示的子空间学习算法综述

线性子空间学习是较为流形的一种特征提取方法,而向量表示的子空间学习方法则是目前众多线性子空间学习方法之一.近年来人们针对这一方法的缺点和不足,提出了若干矩阵表示的子空间学习方法,这些方法都是向量表示的子空间学习方法的拓展.首先介绍了几种经典的向量表示子空间学习方法,进而对几种有代表性的矩阵表示子空间学习方法进行了综述并比较详尽地给出了这些算法的推导过程,同时对算法的有效性等问题进行了分析比较,提出了一些新的理论观点和见解.     

基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.     

基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究

提出了一种基于稀疏表示和低秩矩阵逼近的图像去噪算法:首先,通过对图像块的数据矩阵进行奇异值分解和全局子空间分析,确定信号子空间和噪声子空间;其次,利用图像块与信号子空间的距离寻找相似块,并将相似块分组为训练样本;再次,对相似块矩阵进行奇异值分解,并确定表示相似块的奇异向量;最后,去除表示噪声的基.实验结果表明,该算法能...     

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题, 提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声. 子空间表示利用光谱频带之间的相关性, 选取合适的正交矩阵, 将高光谱图像投影到低维子空间中, 使提出的算法具有较低的复杂度, 简化去噪过程的同时去除图像中的部分噪声. 去噪过程基于从简化图像中提取的低秩张量进行, 引入加权低秩张量正则化项表征简化图像子空间的先验信息, 基于Tucker分解中核范数的物理意义构建合理的加权机制, 保留高光谱图像的内在结构相关性. 并且设计了一种基于迭代最小化的方法, 用于求解提出的非凸去噪模型. 在模拟和真实数据集上的实验结果表明, 该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.     

稀疏低秩子空间聚类算法

子空间聚类算法的主要目标是从高维数据中找到其低维表示。在低秩表示子空间算法的基础上,针对采用数据本身作为字典会造成噪声过大的问题,提出稀疏低秩子空间聚类算法,采用稀疏表示优化字典,解决了数据自带噪声难以去除导致最终结果偏离过大的现象。实验结果表明,该算法相比于稀疏子空间算法和低秩表示算法效果有显著的提高。     

一种改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法基础上提出了一个改进的稀疏子空间聚类算法。首先,利用高维数据可以通过同一子空间的低维数据稀疏地表示这一理论,建立一个稀疏最优化模型,获得稀疏矩阵。然后把稀疏矩阵应用到一个正则化谱聚类算法中,从而有效地把数据聚类到子空间中。最后,该算法应用到一个视频序列中,对每个视频帧里的运动物体进行识别,并与现有的子空间聚类算法相比较。实验结果表明,该算法能够有效地识别运动物体,具有良好的实时性和有效性。     

基于低秩描述的特征提取算法

低秩表示算法是通过最小化矩阵核范数来求解低秩表示系数,然而待求解的低秩表示系数的稀疏性低的要求导致求解不稳定的情况。针对这个问题,在基本的图像低秩表示算法中引入一个约束条件来保证系数的最稀疏性,在特征提取过程中来获取图像数据在各个空间中的整体几何结构。通过对不同的加噪图像进行去噪恢复和分类识别,并与现有算法对比,证明改进算法的低秩特性更具有效性和判别性。在ORL库和Yale B库人脸库上的实验结果证明,改进的算法比原算法在图像去噪效果上更有效,具有较高的识别率。     

基于子空间追踪算法的稀疏子空间聚类

稀疏子空间聚类是处理高维数据聚类的有效途径,而相似度矩阵的构造是稀疏子空间聚类的关键一步。文章引入子空间追踪算法来构造相似度矩阵,并由此给出了保证特征选择和特征再选择的充分条件。数值实验表明,子空间追踪算法所选择的原子相比经典的正交匹配追踪算法,其选择的原子更具代表性,精确特征选择率更高,聚类误差也得到了保留甚至更低。     

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于子空间追踪的稀疏信号重构算法

信号重构算法是压缩感知理论中的重要环节,其优劣影响压缩感知的重构效果.基于子空间追踪算法,对经稀疏表示和测量矩阵压缩后的信号进行重构验证,理论分析和实验结果表明,子空间追踪算法能使信号在较高压缩比下保持良好的重构效果.     

融合低秩和稀疏表示的图像超分辨率重建算法

针对现有图像超分辨率重建算法收敛速度慢、易受噪声影响的问题,结合低秩矩阵恢复与稀疏重建理论,提出了一种新的单幅图像超分辨率重建算法。对于待重建的退化图像,首先进行低秩恢复,得到含有原始图像大部分信息的低秩部分和主要由噪声组成的稀疏部分,然后对低秩部分利用学习的高低分辨率字典对进行稀疏重建。实验结果表明:本文算法对噪声鲁棒,运行速度快,图像视觉效果更佳;相比基于稀疏表示的统计预测模型(SPBSR),本文算法的峰值信噪比指标平均提高了4dB。     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.     

基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principal component analysis, PCA)建立并更新目标的特征模型,只考虑目标的特征信息而忽视模型中每个样本的类别特征,从而降低了目标的跟踪精度。为此,提出一种基于偏最小二乘分析(partial least squares analysis, PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性,建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合,当存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,通过L1范数最优化求解稀疏表示系数,根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。     

基于稀疏表示和低秩逼近的自适应异常事件检测算法

针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。     

基于张量分解的鲁棒核低秩表示算法研究

低秩表示算法,如低秩表示（Low-Rank Representation, LRR）,鲁棒核低秩表示（Robust Kernel Low-Rank Representation, LRRRKLRR）,在处理高维数据方面展现了广阔的应用前景,然而这些方法并不适合高阶数据,传统的低秩表示算法通常只对数据的某一特征属性进行降维。在本文中,我们提出了基于张量分解的鲁棒核低秩表示算法（Kernel Low-Rank Representation by Robust Tensor Decomposition, RTDKLRR）,该算法能够处理高阶非线性的张量数据,对噪声更加鲁棒。本文首先对RTDKLRR算法设计目标函数并给出约束条件,其次,设计迭代规则对目标函数进行优化。在合成数据集和真实数据集上的实验结果表明,我们的算法优于同类算法。     

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.