IJMMSgydF4y2Ba
国际数学和数学科学杂志》上gydF4y2Ba
1687 - 0425gydF4y2Ba
0161 - 1712gydF4y2Ba
HindawigydF4y2Ba
10.1155 / 2020/8136384gydF4y2Ba
8136384gydF4y2Ba
研究文章gydF4y2Ba
新的鲁棒主成分分析进行联合图像对齐和恢复通过仿射变换、弗罗贝尼乌斯gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范gydF4y2Ba
https://orcid.org/0000 - 0002 - 9334 - 8588gydF4y2Ba
LikassagydF4y2Ba
Habte特gydF4y2Ba
唐gydF4y2Ba
主编gydF4y2Ba
部门统计gydF4y2Ba
读经台大学gydF4y2Ba
读经台gydF4y2Ba
埃塞俄比亚gydF4y2Ba
ambou.edu.etgydF4y2Ba
2020年gydF4y2Ba
10gydF4y2Ba
4gydF4y2Ba
2020年gydF4y2Ba
2020年gydF4y2Ba
29日gydF4y2Ba
01gydF4y2Ba
2020年gydF4y2Ba
06gydF4y2Ba
03gydF4y2Ba
2020年gydF4y2Ba
07年gydF4y2Ba
03gydF4y2Ba
2020年gydF4y2Ba
10gydF4y2Ba
4gydF4y2Ba
2020年gydF4y2Ba
2020年gydF4y2Ba
版权©2020 Habte特Likassa。gydF4y2Ba
这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba
提出了一个有效的和健壮的方法,图像对齐和恢复的数据通过弗罗贝尼乌斯和线性相关gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范。最受欢迎和成功的方法是模型鲁棒主成分分析问题作为一个低秩矩阵恢复问题的稀疏的腐败。现有的算法仍然缺乏在处理异常值的潜在影响和重型稀疏噪声图像校准和复苏。因此,新算法解决异常值的潜在影响和重型稀疏噪声通过使用仿射变换和弗罗贝尼乌斯,小说的想法gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范。为了达到这一点,仿射转换和弗罗贝尼乌斯gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范包含在分解过程。因此,新算法更有弹性的错误,异常值和遮挡。解决凸优化复杂,交替迭代过程也被认为是缓解的复杂性。进行模拟的恢复脸上图像和手写的数字证明了新方法的有效性与主要先进的作品。gydF4y2Ba
1。介绍gydF4y2Ba
图像对齐和恢复(gydF4y2Ba
1gydF4y2Ba发现应用程序在各种医学成像等领域,无线传感器网络监测、批处理图像去噪和计算成像。图像恢复也可以用于背景提取、煤的分量对应于背景和稀疏分量抓住了前景。然而,这个问题面临严峻的挑战,如光照变化,闭塞,离群值,沉重的稀疏的声音。因此重要的是要开发健壮的图像恢复算法来解决上述不利影响。gydF4y2Ba
各种算法的图像对齐和恢复已报告的问题。例如,彭et al。gydF4y2Ba
2gydF4y2Ba)被认为是一个健壮的稀疏和低秩分解算法(RASL)删除离群值的潜在影响和稀疏的错误发生的腐败和闭塞,但它仍然缺乏执行当异常值的潜在影响和重型稀疏噪声大的大量的图片。为了解决这个问题,Likassa et al。gydF4y2Ba
3gydF4y2Ba]解决修改RASL通过结合仿射变换与排名之前的信息,提高了算法的性能。伊巴迪和IzquierdogydF4y2Ba
4gydF4y2Ba)提出了一个高效稳健主成分分析采用一些近似图像恢复。然而,他们不可能在大数据删除离群值的影响。一个健壮的主成分分析(RPCA)算法在解决gydF4y2Ba
5gydF4y2Ba]基于凸程序,保证低秩矩阵尽管毛稀疏的恢复错误;然而,现有RPCA方法是极其脆弱的存在严重腐败。为了解决这个难题,陈等人。gydF4y2Ba
6gydF4y2Ba)提出了一个非凸+二次处罚低秩和稀疏分解(NQLSD)方法以适应低秩模型,然后使用一个健壮的拟合函数来减少腐败和阻塞的影响图像对齐,它仍然有问题是由于大的时间复杂度。歌等。gydF4y2Ba
7gydF4y2Ba]解决在线强大的图像对齐方法,包含几何转换直接线性化的目标函数翘曲更新并采取封闭形式的解决方案的优势和随机梯度下降法更新方案,对应于一个高效的反向组合算法,在解决所面临的性能问题的图像对齐吴et al。gydF4y2Ba
8gydF4y2Ba]。刘等人。gydF4y2Ba
9gydF4y2Ba]认为基于凸的一项修正案算法程序减轻子空间聚类问题,保证完全恢复原始数据的行空间和执行健壮的子空间聚类和纠错效率和有效的方法。哦,et al。gydF4y2Ba
10gydF4y2Ba)提出了一个有效的算法,使用部分和奇异值(PSSV)而不是核规范恢复图像。这种新方法,灵感来自修改目标函数,保证更好的低秩和收敛性和更健壮的异常值,即使观察的数量很小。这种方法缺乏观测的总数量很大时表现良好。他等。gydF4y2Ba
11gydF4y2Ba)被认为是类似的凸松弛算法有效地保证。尽管存在一些RPCA算法来处理异常值的潜在影响和重型稀疏的噪音,需要开发有效的和高效的算法。为了缓解这个问题,作者的gydF4y2Ba
12gydF4y2Ba,gydF4y2Ba
13gydF4y2Ba开发健壮的算法,可以处理严重损坏数据。然而,在图像特征提取等非常高维的情况下,复苏,并对齐,它缺乏更好的性能和较低的计算复杂度。gydF4y2Ba
在本文中,我们提出一种新颖的鲁棒算法通过仿射变换的图像恢复和对齐,弗罗贝尼乌斯规范gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范。对杂项健壮的副作用如遮挡、离群值,和重型稀疏的噪音,新算法集成了仿射变换低秩和稀疏分解,低秩组件所在的联盟不相交的子空间,因此,扭曲或错位的图像可以纠正呈现更忠实的图像表示。然而,受gydF4y2Ba
2gydF4y2Ba,gydF4y2Ba
14gydF4y2Ba),一个额外的弗罗贝尼乌斯规范和概念gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范现在包含在分解过程中,更有弹性的错误,异常值,遮挡在恢复图像。因此,我们算法的参数迭代更新在分解过程中不同于(gydF4y2Ba
2gydF4y2Ba,gydF4y2Ba
6gydF4y2Ba,gydF4y2Ba
10gydF4y2Ba]。此外,gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范和弗罗贝尼乌斯规范,享受的优势gydF4y2Ba
lgydF4y2Ba
1gydF4y2Ba
和gydF4y2Ba
lgydF4y2Ba
2gydF4y2Ba
规范,是用来删除相关的样本图像,使新方法更有弹性的异常值和大的变化图像。相关变量的确定和仿射转换是扮演一个凸优化问题。因此,扭曲或错位的图像可以通过仿射变换,纠正弗罗贝尼乌斯规范gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范呈现更准确的图像分解。gydF4y2Ba
仿射变换是聚合的低秩和稀疏表示,低秩组件所在联盟的子空间,而不是一个单一的子空间。这些转换可以解决变形或错位一批损坏的图像来呈现更多忠实的图像分解,从而更健壮的反对重稀疏的错误和异常值。因为大错误可能发生在图像,将图像恢复的精度影响,gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范使用。这个新规范当结合仿射变换可以进一步提高性能。这是用于正常异常值的不利影响和重型大数据稀疏的声音。最优参数的搜索和仿射变换首先扮演的一个凸优化编程。后来,采用交替方向法(小组ADMM)方法和新开发和修改的一组方程建立更新相关参数和仿射变换迭代。进行仿真表明,新算法擅长方面的先进的工作精度的图像对齐和恢复一些公共数据集。本文的主要贡献包括以下:gydF4y2Ba
仿射转换是纳入新模型修复扭曲或错位的图像,与沉重的稀疏健壮的错误和异常值gydF4y2Ba
小组ADMM方法用来解决新的凸优化问题,和一组更新方程迭代开发解决这个问题gydF4y2Ba
在新方法中,一组仿射转换和弗罗贝尼乌斯gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范被认为是提高性能的新方法gydF4y2Ba
小说修改RASL基于凸规划提出了高度线性相关的数据可以删除遮挡和灯饰利用部分列低等级作为先验信息通过在分解过程中添加一个额外的术语gydF4y2Ba
最好的作者的知识,这是第一次修改的鲁棒图像对齐稀疏低秩分解是试图在这样一个分解的过程来解决图像对齐问题在人脸识别的广泛应用,视频监控,和医疗保险gydF4y2Ba
解决凸优化的问题,另一个迭代过程是同时解决减少复杂性和提高恢复图像中表现对齐问题gydF4y2Ba
2。相关的工作gydF4y2Ba
一些相当大的领域的研究已经进行了图像校准和图像恢复与最小化。例如,水等。gydF4y2Ba
15gydF4y2Ba)提出了一种新的贪婪算法通过一个仿射排名最小化修剪的潜在影响稀疏的错误。投资局和方gydF4y2Ba
16gydF4y2Ba建议一个图像对齐方法通过显式地考虑不同照明空间的问题与低阶多项式乘法与偏置误差因素。然而,它并不适合当有严重的异常值和稀疏数据中的错误。gydF4y2Ba
放松标准核规范,顾et al。gydF4y2Ba
17gydF4y2Ba解决核标准重量最小化问题,自适应地分配在不同的奇异值的权重,可以减少最终排名。此外,康et al。gydF4y2Ba
18gydF4y2Ba)提出了一个非凸阶近似,以进一步减少。解决困境的高估,作者的gydF4y2Ba
19gydF4y2Ba,gydF4y2Ba
20.gydF4y2Ba建议RPCA算法,考虑原始图像的分解成两个主要组件。Likassa et al。gydF4y2Ba
12gydF4y2Ba,gydF4y2Ba
13gydF4y2Ba)被认为是一种新颖的算法来解决错位的困境,旨在找到照亮的低秩组件的数据。哦,et al。gydF4y2Ba
21gydF4y2Ba)提出了一个排名最小化算法,同时将低投入的动态变化图像和检测离群值。改进的性能gydF4y2Ba
21gydF4y2Ba,Erichson等。gydF4y2Ba
22gydF4y2Ba解决一个随机算法寻找低秩分解后一部分通过最小化。Podosinnikova et al。gydF4y2Ba
23gydF4y2Ba)开发一个健壮的PCA重建误差降到最低。Shahid et al。gydF4y2Ba
24gydF4y2Ba涉及RPCA光谱图通过添加一些正则化项。Shakeri和张gydF4y2Ba
25gydF4y2Ba)提出了通过一个在线连续的框架来寻找清洁部分修剪出稀疏的腐败。胡锦涛et al。(gydF4y2Ba
26gydF4y2Ba]介绍了矩阵的低秩近似假设通过一个低正规化解决脸部图像去噪问题。赖特et al。gydF4y2Ba
5gydF4y2Ba)提出了一个RPCA图像分解为低秩和稀疏的错误;但是,它缺乏可伸缩性。康等。gydF4y2Ba
18gydF4y2Ba通过凸阶近似]一个健壮的解决方法。张和Lerman [gydF4y2Ba
27gydF4y2Ba),压力和Atia (gydF4y2Ba
28gydF4y2Ba)解决一个健壮的子空间恢复解决恼人的影响效果。然而,其复杂性是危及当数据中的异常值和稀疏的声音是沉重的。的作者(gydF4y2Ba
29日gydF4y2Ba,gydF4y2Ba
30.gydF4y2Ba)解决一个健壮的子空间学习和RPCA排名最小化处理的潜在影响遮挡,灯饰,离群值,沉重的稀疏的声音。商等。gydF4y2Ba
31日gydF4y2Ba)提出了一个新颖的方法,排名最小化使用双核与核混合标准处罚标准,缓解不利的困境。gydF4y2Ba
广泛的方法也提出了解决低秩子空间分解的问题。张、杨(gydF4y2Ba
32gydF4y2Ba)解决线性通过低秩分解子空间聚类方法。赵et al。gydF4y2Ba
33gydF4y2Ba)解决一个健壮的判别低秩表示获取多个子空间结构。马等。gydF4y2Ba
34gydF4y2Ba)解决广义算法的躺在高信息数据从低维子空间。Lerman和MaunugydF4y2Ba
35gydF4y2Ba)解决子空间恢复方法得到煤从大型数据部分。刘等人。gydF4y2Ba
9gydF4y2Ba]解决图像的表示确定照明的低秩结构数据。最近,饶et al。gydF4y2Ba
36gydF4y2Ba]介绍了子空间分割的压缩传感技术。Elhamifar和比达尔gydF4y2Ba
37gydF4y2Ba)考虑稀疏的子空间slustering (SSC)的使用产生的图像稀疏gydF4y2Ba
lgydF4y2Ba
1gydF4y2Ba
减少(gydF4y2Ba
5gydF4y2Ba)代表的重量和矩阵称为一种亲和力。子空间分割是通过子空间聚类方法例如[gydF4y2Ba
38gydF4y2Ba和子空间聚类gydF4y2Ba
39gydF4y2Ba]。然而,他们并不健壮的遮挡和灯饰。应对这些挫折,李et al。gydF4y2Ba
40gydF4y2Ba)提出了一个transformation-dependent方法通过联合对齐损坏样品和学习子空间表示。沈et al。gydF4y2Ba
41gydF4y2Ba]解决了子空间聚类方法通过字典追求减少复杂性具有满意的性能。吴et al。gydF4y2Ba
42gydF4y2Ba]提出了分解依靠一种新的方法来减少噪音的潜在影响运动分割。李等人。gydF4y2Ba
43gydF4y2Ba)被认为是原始图像3-dimensiona-based张量;然而,有一个严重的问题由于扭曲。然而,这是非常费时。丁和傅gydF4y2Ba
44gydF4y2Ba)解决多视图通过子空间信息的方法通过低等级获得干净的低维子空间的自由从高维数据损坏。gydF4y2Ba
3所示。问题公式化gydF4y2Ba
给定一组的gydF4y2Ba
ngydF4y2Ba
很好地结合图像gydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
0gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
0gydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
wgydF4y2Ba
×gydF4y2Ba
hgydF4y2Ba
相同的对象是线性相关,gydF4y2Ba
wgydF4y2Ba
和gydF4y2Ba
hgydF4y2Ba
分别表示每个图像的体重和身高。更准确地说,如果我们让矢量:gydF4y2Ba
RgydF4y2Ba
wgydF4y2Ba
×gydF4y2Ba
hgydF4y2Ba
⟶gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
选择一个表示操作员gydF4y2Ba
米gydF4y2Ba
感兴趣的像素区域gydF4y2Ba
米gydF4y2Ba
≫gydF4y2Ba
ngydF4y2Ba
从一个图像和栈是一个向量,那么我们可以创建一个矩阵gydF4y2Ba
lgydF4y2Ba
=gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
0gydF4y2Ba
…gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
0gydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
这是一个低秩矩阵。如果图像是不一致的,因为部分腐败和遮挡,这些错误通常发生在一个小地区的形象和任意大震级;这些错误可以模仿,用稀疏的错误gydF4y2Ba
年代gydF4y2Ba
。解决偏差的问题,我们采用域的转换gydF4y2Ba
τgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
τgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
τgydF4y2Ba
ngydF4y2Ba
。转换后的图像可以构造形式的矩阵如下:gydF4y2Ba
做gydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
0gydF4y2Ba
…gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
0gydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
=gydF4y2Ba
lgydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
,在那里gydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
=gydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
,gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
ngydF4y2Ba
,本是一个版本的形象gydF4y2Ba
我gydF4y2Ba
和运营商gydF4y2Ba
ogydF4y2Ba
表示转换(gydF4y2Ba
2gydF4y2Ba]。的解决方案gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
lgydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
棘手的是由于非线性和复杂的依赖关系gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
在转换gydF4y2Ba
τgydF4y2Ba
。这可以通过线性化来解决当前的估计gydF4y2Ba
τgydF4y2Ba
时的变化gydF4y2Ba
τgydF4y2Ba
是小gydF4y2Ba
2gydF4y2Ba,gydF4y2Ba
6gydF4y2Ba,gydF4y2Ba
45gydF4y2Ba]。为gydF4y2Ba
pgydF4y2Ba
参数的数量和gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
1gydF4y2Ba
…gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
ngydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
pgydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
,我们可以写gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
≈gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
,在那里gydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
∂gydF4y2Ba
/gydF4y2Ba
∂gydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
pgydF4y2Ba
表示的雅可比矩阵gydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
hgydF4y2Ba
图像的转换gydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
和gydF4y2Ba
ugydF4y2Ba
我gydF4y2Ba
表示标准的依据gydF4y2Ba
RgydF4y2Ba
ngydF4y2Ba
满足。gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
=gydF4y2Ba
lgydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
每一个仿射变换gydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
可以用一个向量的gydF4y2Ba
pgydF4y2Ba
参数,产生gydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
τgydF4y2Ba
1gydF4y2Ba
…gydF4y2Ba
τgydF4y2Ba
ngydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
pgydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
。具体来说,如果最初的转换gydF4y2Ba
τgydF4y2Ba
众所周知,我们可以改变吗gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
=gydF4y2Ba
lgydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
。这使得问题放松以下我们所寻求的凸优化问题gydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
通过加入一个新的仿射变换和弗罗贝尼乌斯gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范。gydF4y2Ba
使新方法更具弹性的异常值和重型稀疏的噪音,gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范,相结合的优点gydF4y2Ba
lgydF4y2Ba1gydF4y2Ba和gydF4y2Ba
lgydF4y2Ba2gydF4y2Ba这里使用规范,。的gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
调整被认为是旋转不变的gydF4y2Ba
lgydF4y2Ba1gydF4y2Ba规范,可以有效地处理异常值(gydF4y2Ba
46gydF4y2Ba]。同时,观察到(gydF4y2Ba
13gydF4y2Ba,gydF4y2Ba
47gydF4y2Ba),gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
调整也可以取得更好的稀疏促销比gydF4y2Ba
lgydF4y2Ba1gydF4y2Ba规范。的gydF4y2Ba
lgydF4y2Ba1gydF4y2Ba规范可能产生偏见的估计,因为它忽略了极端值,不能处理的共线性特性。相比之下,gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范更加稳定和有能力更好的保护比的空间信息gydF4y2Ba
lgydF4y2Ba1gydF4y2Ba规范,证明(gydF4y2Ba
13gydF4y2Ba,gydF4y2Ba
47gydF4y2Ba]。此外,gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
标准优于非凸规范当信号稀疏或矩阵是不严格的低等级(gydF4y2Ba
48gydF4y2Ba,gydF4y2Ba
49gydF4y2Ba]。整个问题可以被发布为一个优化问题gydF4y2Ba
(1)gydF4y2Ba
最小化gydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
lgydF4y2Ba
FgydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
λgydF4y2Ba
年代gydF4y2Ba
2、1gydF4y2Ba
受gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
=gydF4y2Ba
lgydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
DgydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
代表原始数据矩阵,gydF4y2Ba
lgydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
低秩组件和吗gydF4y2Ba
年代gydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
矩阵是稀疏的错误。的gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范的gydF4y2Ba
年代gydF4y2Ba
用gydF4y2Ba
年代gydF4y2Ba
2、1gydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
米gydF4y2Ba
∑gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
年代gydF4y2Ba
我gydF4y2Ba
jgydF4y2Ba
2gydF4y2Ba
。解决这个问题的非线性约束时由于复杂的依赖关系gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
在转换gydF4y2Ba
τgydF4y2Ba
线性化过程,总结了算法gydF4y2Ba
1gydF4y2Ba,(gydF4y2Ba
2gydF4y2Ba]。gydF4y2Ba
<大胆>算法1:< /大胆>迭代线性化。gydF4y2Ba
输入:gydF4y2Ba图片gydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
wgydF4y2Ba
×gydF4y2Ba
hgydF4y2Ba
最初的转换,gydF4y2Ba
τgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
τgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
τgydF4y2Ba
ngydF4y2Ba
和gydF4y2Ba
λgydF4y2Ba
0:gydF4y2Ba
而gydF4y2Ba不聚合gydF4y2Ba
做gydF4y2Ba
步骤1gydF4y2Ba:正常的图片gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
1gydF4y2Ba
/gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
1gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
2gydF4y2Ba
/gydF4y2Ba
vgydF4y2Ba
egydF4y2Ba
cgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
2gydF4y2Ba
⋯gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
ngydF4y2Ba
/gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
ngydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
ngydF4y2Ba
步骤2gydF4y2Ba:解决线性凸优化gydF4y2Ba
最小化gydF4y2Ba
lgydF4y2Ba
ngydF4y2Ba
egydF4y2Ba
wgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
lgydF4y2Ba
ngydF4y2Ba
egydF4y2Ba
wgydF4y2Ba
∗gydF4y2Ba
+gydF4y2Ba
λgydF4y2Ba
年代gydF4y2Ba
1gydF4y2Ba
年代gydF4y2Ba
。gydF4y2Ba
tgydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
ugydF4y2Ba
我gydF4y2Ba
ugydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
=gydF4y2Ba
lgydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
步骤3gydF4y2Ba:计算雅可比矩阵与尊重gydF4y2Ba
τgydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
∂gydF4y2Ba
/gydF4y2Ba
∂gydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
/gydF4y2Ba
vecgydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
ngydF4y2Ba
4所示。算法gydF4y2Ba
为了解决约束优化问题(gydF4y2Ba
1gydF4y2Ba),我们使用了增广拉格朗日乘数(gydF4y2Ba
2gydF4y2Ba,gydF4y2Ba
50gydF4y2Ba),迭代估计拉格朗日乘子和减少增广拉格朗日函数的最优解。小组ADMM方法的基本思想(gydF4y2Ba
51gydF4y2Ba是寻找增广拉格朗日函数的鞍点而不是直接解决最初的约束优化问题。gydF4y2Ba
(2)gydF4y2Ba
lgydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
参数gydF4y2Ba
最小值gydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
lgydF4y2Ba
FgydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
λgydF4y2Ba
年代gydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
ZgydF4y2Ba
,gydF4y2Ba
hgydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
μgydF4y2Ba
2gydF4y2Ba
hgydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
FgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
为简单起见,我们表示吗gydF4y2Ba
hgydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
=gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
−gydF4y2Ba
lgydF4y2Ba
−gydF4y2Ba
年代gydF4y2Ba
,在这gydF4y2Ba
BgydF4y2Ba
=gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
是一个拉格朗日乘数矩阵,gydF4y2Ba
μgydF4y2Ba
是一个积极的惩罚参数,gydF4y2Ba
。gydF4y2Ba
,gydF4y2Ba
。gydF4y2Ba
表示矩阵内积gydF4y2Ba
。gydF4y2Ba
FgydF4y2Ba
2gydF4y2Ba
弗罗贝尼乌斯是常态。直接解决(gydF4y2Ba
2gydF4y2Ba在第一次迭代是困难的,所以在gydF4y2Ba
2gydF4y2Ba,gydF4y2Ba
50gydF4y2Ba),我们反复交替地解决问题。增广拉格朗日乘数法,未知数的增广拉格朗日函数迭代的最小化。gydF4y2Ba
首先,更新gydF4y2Ba
lgydF4y2Ba
在(gydF4y2Ba
3gydF4y2Ba),我们修复gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
为常数。很难直接解决上面的功能,所以我们选择增广拉格朗日函数近似采用交替最小化策略:最小化函数对四个未知数的只有一个gydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba一次:gydF4y2Ba
(3)gydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
参数gydF4y2Ba
最小值gydF4y2Ba
lgydF4y2Ba
lgydF4y2Ba
lgydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
kgydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
kgydF4y2Ba
。gydF4y2Ba
我们注意到的问题(gydF4y2Ba
3gydF4y2Ba)是完全分离的,涉及解决凸程序。因此,以下(gydF4y2Ba
31日gydF4y2Ba,gydF4y2Ba
52gydF4y2Ba- - - - - -gydF4y2Ba
54gydF4y2Ba)和使用的程序gydF4y2Ba
55gydF4y2Ba)和软阈值算子的概念,可以有效地解决使用增广拉格朗日乘数,可以作为更新gydF4y2Ba
(4)gydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
1gydF4y2Ba
/gydF4y2Ba
μgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
jgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
+gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
μgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
jgydF4y2Ba
ZgydF4y2Ba
kgydF4y2Ba
−gydF4y2Ba
EgydF4y2Ba
kgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
。gydF4y2Ba
所以,gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
可以由gydF4y2Ba
(5)gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
参数gydF4y2Ba
最小值gydF4y2Ba
年代gydF4y2Ba
lgydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
kgydF4y2Ba
。gydF4y2Ba
忽略所有无关紧要的方面gydF4y2Ba
年代gydF4y2Ba
,它可以简化gydF4y2Ba
(6)gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
参数gydF4y2Ba
最小值gydF4y2Ba
年代gydF4y2Ba
λgydF4y2Ba
2gydF4y2Ba
年代gydF4y2Ba
2、1gydF4y2Ba
+gydF4y2Ba
μgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
2gydF4y2Ba
BgydF4y2Ba
kgydF4y2Ba
−gydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
−gydF4y2Ba
年代gydF4y2Ba
+gydF4y2Ba
ZgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
μgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
FgydF4y2Ba
2gydF4y2Ba
。gydF4y2Ba
利用引理(gydF4y2Ba
56gydF4y2Ba),更新的gydF4y2Ba
我gydF4y2Ba
tgydF4y2Ba
hgydF4y2Ba
列的gydF4y2Ba
EgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
EgydF4y2Ba
我gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
的话,是gydF4y2Ba
(7)gydF4y2Ba
EgydF4y2Ba
我gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
kgydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
λgydF4y2Ba
2gydF4y2Ba
/gydF4y2Ba
μgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
kgydF4y2Ba
2gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
kgydF4y2Ba
,gydF4y2Ba
如果gydF4y2Ba
VgydF4y2Ba
我gydF4y2Ba
kgydF4y2Ba
2gydF4y2Ba
≥gydF4y2Ba
λgydF4y2Ba
2gydF4y2Ba
μgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
,gydF4y2Ba
0gydF4y2Ba
,gydF4y2Ba
否则,gydF4y2Ba
在哪里gydF4y2Ba
·gydF4y2Ba
2gydF4y2Ba
表示欧几里得范数和gydF4y2Ba
VgydF4y2Ba
kgydF4y2Ba
=gydF4y2Ba
BgydF4y2Ba
kgydF4y2Ba
−gydF4y2Ba
一个gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
ZgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
/gydF4y2Ba
μgydF4y2Ba
1gydF4y2Ba
kgydF4y2Ba
。gydF4y2Ba
最后,我们需要更新gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
,所以我们必须保持所有其他参数(gydF4y2Ba
8gydF4y2Ba)为常数,采用增广拉格朗日乘数如下:gydF4y2Ba
(8)gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
参数gydF4y2Ba
最小值gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
lgydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
kgydF4y2Ba
。gydF4y2Ba
更新参数gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
在(gydF4y2Ba
8gydF4y2Ba),我们保证所有其他参数不变获得所需参数的最优解。通过增广拉格朗日函数和奇异值阈值,我们可以得到最终的更新gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
如下:gydF4y2Ba
(9)gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
+gydF4y2Ba
∗gydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
−gydF4y2Ba
DgydF4y2Ba
ogydF4y2Ba
τgydF4y2Ba
−gydF4y2Ba
μgydF4y2Ba
kgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
ZgydF4y2Ba
kgydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
εgydF4y2Ba
我gydF4y2Ba
TgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
+gydF4y2Ba
表示Moore-Penrose伪逆的gydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
。gydF4y2Ba
更新拉格朗日乘数通过以下方程:gydF4y2Ba
(10)gydF4y2Ba
ZgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
ZgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
μgydF4y2Ba
kgydF4y2Ba
hgydF4y2Ba
lgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
。gydF4y2Ba
方便引用更新的最优参数,算法gydF4y2Ba
2gydF4y2Ba总结了。gydF4y2Ba
<大胆>算法2:< /大胆>新RPCA算法。gydF4y2Ba
输入:gydF4y2Ba
lgydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
,gydF4y2Ba
年代gydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
,gydF4y2Ba
ZgydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
,gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
∈gydF4y2Ba
RgydF4y2Ba
pgydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
,gydF4y2Ba
JgydF4y2Ba
我gydF4y2Ba
,gydF4y2Ba
μgydF4y2Ba
,gydF4y2Ba
ρgydF4y2Ba
,gydF4y2Ba
托尔gydF4y2Ba
,gydF4y2Ba
最大迭代和gydF4y2Ba
λgydF4y2Ba
0:gydF4y2Ba
而gydF4y2Ba不聚合gydF4y2Ba
步骤1:更新gydF4y2Ba
lgydF4y2Ba由(gydF4y2Ba
4gydF4y2Ba)和(gydF4y2Ba
5gydF4y2Ba)gydF4y2Ba
步骤2:更新gydF4y2Ba
年代gydF4y2Ba由(gydF4y2Ba
7gydF4y2Ba)gydF4y2Ba
步骤4:更新gydF4y2Ba
ΔgydF4y2Ba
τgydF4y2Ba
由(gydF4y2Ba
9gydF4y2Ba)gydF4y2Ba
第五步:更新gydF4y2Ba
ZgydF4y2Ba由(gydF4y2Ba
10gydF4y2Ba)gydF4y2Ba
μgydF4y2Ba
kgydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
=gydF4y2Ba
ρgydF4y2Ba
μgydF4y2Ba
kgydF4y2Ba
5。模拟和讨论gydF4y2Ba
本节进行一些模拟来证明我们的方法的有效性面临复苏的图像和手写的数字。采用四个基线,包括RASL [gydF4y2Ba
2gydF4y2Ba],NQLSD [gydF4y2Ba
6gydF4y2Ba],PSSV [gydF4y2Ba
10gydF4y2Ba],MRASL [gydF4y2Ba
3gydF4y2Ba]。首先,我们强调在检查我们的新提出的方法的有效性视觉在去除遮挡和灯饰高度线性相关数据。其次,我们进一步检查图像相似性定量描述的性能相似的算法使用统计的措施,主要是峰值信噪比。这可以通过使用峰值信噪比(gydF4y2Ba
PSNR值gydF4y2Ba
)[gydF4y2Ba
57gydF4y2Ba),它被定义为gydF4y2Ba
(11)gydF4y2Ba
PSNR值gydF4y2Ba
fgydF4y2Ba
,gydF4y2Ba
ggydF4y2Ba
=gydF4y2Ba
10gydF4y2Ba
日志gydF4y2Ba
10gydF4y2Ba
255年gydF4y2Ba
2gydF4y2Ba
/gydF4y2Ba
1gydF4y2Ba
/gydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
米gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
fgydF4y2Ba
我gydF4y2Ba
jgydF4y2Ba
−gydF4y2Ba
ggydF4y2Ba
我gydF4y2Ba
jgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
原始图像在两个地方gydF4y2Ba
fgydF4y2Ba
和恢复图像gydF4y2Ba
ggydF4y2Ba
的大小gydF4y2Ba
米gydF4y2Ba
×gydF4y2Ba
ngydF4y2Ba
。gydF4y2Ba
数据集gydF4y2Ba。实现的新方法,我们考虑了两种不同的公共数据集手写数字取自MINST数据库(gydF4y2Ba
58gydF4y2Ba)和假脸从野外拍摄的图像数据库(gydF4y2Ba
59gydF4y2Ba]。gydF4y2Ba
5.1。脸图像恢复对齐gydF4y2Ba
首先,我们考虑的数据集包含30脸图像的大小gydF4y2Ba
49gydF4y2Ba
×gydF4y2Ba
49gydF4y2Ba
来自100的图像仿真头摄动和阻挡从标签面临在野外数据库(gydF4y2Ba
59gydF4y2Ba]。这些是真实的脸图像不受控制的偏差,在不同的灯饰。图gydF4y2Ba
1gydF4y2Ba显示了恢复图像基于我们的算法和其他三个基线。再次,作为一个例子,一些恢复虚拟图像基于该方法和上述基线给出图gydF4y2Ba
1gydF4y2Ba,假脸图像描绘在图与不同的错误了gydF4y2Ba
1(一)gydF4y2Ba。通过上述算法恢复图像数据所示gydF4y2Ba
1 (b)gydF4y2Ba- - - - - -gydF4y2Ba
1 (e)gydF4y2Ba,我们可以看到,该方法的视觉质量比所有的基线。这是符合表的数值结果gydF4y2Ba
1gydF4y2Ba。我们可以看到从图gydF4y2Ba
1gydF4y2Ba新方法提供更清楚的视觉质量较其他三个基线。这证明了新算法的有效性在消除不安,阻挡,照亮数据从一个高度线性相关数据。gydF4y2Ba
比较算法恢复图像。(一)原始;(b) RASL;(c) NQLSD;(d) PSSV;(e) MRASL;我们(f)。gydF4y2Ba
平均峰值信噪比的结果。gydF4y2Ba
方法gydF4y2Ba |
脸图像gydF4y2Ba |
手写的数字gydF4y2Ba |
RASL [gydF4y2Ba
2gydF4y2Ba]gydF4y2Ba |
18.98gydF4y2Ba |
19.55gydF4y2Ba |
NQLSD [gydF4y2Ba
6gydF4y2Ba]gydF4y2Ba |
19.08gydF4y2Ba |
19.78gydF4y2Ba |
PSSV [gydF4y2Ba
10gydF4y2Ba]gydF4y2Ba |
18.99gydF4y2Ba |
19.64gydF4y2Ba
|
MRASL [gydF4y2Ba
3gydF4y2Ba]gydF4y2Ba |
19.23gydF4y2Ba |
20.23gydF4y2Ba |
我们的gydF4y2Ba |
19.83gydF4y2Ba |
21.03gydF4y2Ba |
5.2。手写数字图像恢复对齐gydF4y2Ba
接下来,我们进行模拟手写数字。30.gydF4y2Ba
29日gydF4y2Ba
×gydF4y2Ba
29日gydF4y2Ba
“3”的图片取自MINST数据库用于验证算法的有效性。基于性能的仿真结果如图我们建议的方法gydF4y2Ba
2 (f)gydF4y2Ba随着其他基线的人物gydF4y2Ba
2 (b)gydF4y2Ba- - - - - -gydF4y2Ba
2 (e)gydF4y2Ba。通过我们的方法结果比之前的工作来恢复图像,因为包括一个额外的术语的形式部分列低等级排名前信息。四种不同方法的低秩组件与原有的描述和比较。我们的方法执行比NQLSD PSSV RASL,显示其有效性的结果图像如图中恢复过来gydF4y2Ba
2gydF4y2Ba。这也可以证明,作为一个例子,一些视觉的图像恢复手写数字基于上述方法如图所示gydF4y2Ba
2 (f)gydF4y2Ba,从中我们可以看到,该方法提供了更好的定位和恢复损坏的手写的图像比与其他四个基线。如图gydF4y2Ba
2 (e)gydF4y2Ba手写的恢复图像提供更清晰的视觉质量,适当删除离群值和重型稀疏噪声等不利影响。这是在同意表中的结果gydF4y2Ba
1gydF4y2Ba并进一步证明该方法更有弹性的离群值和重型稀疏噪声。为了进一步验证我们的方法的性能,我们也比较上述方法的psnr值,如表所示gydF4y2Ba
1gydF4y2Ba,从中我们可以发现新算法确实提供了最大的PSNR值比其他三个基线。gydF4y2Ba
比较算法恢复手写数字。(一)原始;(b) RASL;(c) NQLSD;(d) PSSV;(e) MRASL;我们(f)。gydF4y2Ba
我们可以观察到,通过添加一个额外项形式的仿射变换和弗罗贝尼乌斯和L2, 1规范,我们的方法获得一个更大的平均PSNR值相比,提出的方法在gydF4y2Ba
2gydF4y2Ba,gydF4y2Ba
3gydF4y2Ba,gydF4y2Ba
6gydF4y2Ba,gydF4y2Ba
10gydF4y2Ba),表明更好的图像恢复和有能力消除错误。相对而言,添加一个新学期的形式部分列低等级排名前信息模型增强我们的新算法的性能,因为平均峰值信噪比获得的价值比其他三个基线。我们的方法的优点是它获得更稳定的估计的图像恢复,这是更健壮的错误,异常值和遮挡。gydF4y2Ba
6。结论gydF4y2Ba
在这项工作中,我们考虑一种新的算法图像对齐和强劲复苏的排名通过弗罗贝尼乌斯和最小化gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范。仿射变换的搜索和弗罗贝尼乌斯gydF4y2Ba
lgydF4y2Ba
2、1gydF4y2Ba
规范被认为是优化配方的凸约束优化问题。然后,这是用来减轻烦人的潜在影响效应通过纠正扭曲的图像。小组ADMM方法然后工作,建立一套新的方程或者更新优化参数和仿射变换。此外,这些新的更新方程的收敛性审查。进行仿真表明,该方法执行比其他方法的精度5公共数据库。gydF4y2Ba
数据可用性gydF4y2Ba
本文中使用的数据为用户免费提供。gydF4y2Ba
的利益冲突gydF4y2Ba
作者宣称没有利益冲突。gydF4y2Ba
[
BouwmansgydF4y2Ba
T。gydF4y2Ba
JavedgydF4y2Ba
年代。gydF4y2Ba
张gydF4y2Ba
H。gydF4y2Ba
凌ydF4y2Ba
Z。gydF4y2Ba
OtazogydF4y2Ba
R。gydF4y2Ba
稳健的主成分分析的应用在图像和视频处理gydF4y2Ba
]
[
彭gydF4y2Ba
Y。gydF4y2Ba
GaneshgydF4y2Ba
一个。gydF4y2Ba
莱特gydF4y2Ba
J。gydF4y2Ba
徐gydF4y2Ba
W。gydF4y2Ba
马gydF4y2Ba
Y。gydF4y2Ba
RASL:健壮的对齐在稀疏低秩分解和线性相关的图片gydF4y2Ba
34gydF4y2Ba
2010年IEEE计算机学会学报计算机视觉与模式识别会议gydF4y2Ba
2012年6月gydF4y2Ba
普罗维登斯,美国国际扶轮gydF4y2Ba
11gydF4y2Ba
2233年gydF4y2Ba
2246年gydF4y2Ba
]
[
LikassagydF4y2Ba
h·T。gydF4y2Ba
方gydF4y2Ba
W.-H。gydF4y2Ba
壮族gydF4y2Ba
Y.-A。gydF4y2Ba
修改健壮的稀疏低秩分解图像对齐的高度线性相关数据gydF4y2Ba
学报》2018年第3智能绿色建筑和智能电网国际会议(IGBSG)gydF4y2Ba
2018年4月gydF4y2Ba
美国新泽西州皮斯卡塔韦gydF4y2Ba
]
[
伊巴迪gydF4y2Ba
年代。gydF4y2Ba
IzquierdogydF4y2Ba
E。gydF4y2Ba
近似RPCA快速有效恢复损坏和线性相关的图片和视频帧gydF4y2Ba
《2015国际会议系统、信号和图像处理(IWSSIP)gydF4y2Ba
2015年9月gydF4y2Ba
英国伦敦gydF4y2Ba
IEEEgydF4y2Ba
49gydF4y2Ba
52gydF4y2Ba
]
[
莱特gydF4y2Ba
J。gydF4y2Ba
GaneshgydF4y2Ba
一个。gydF4y2Ba
饶gydF4y2Ba
年代。gydF4y2Ba
彭gydF4y2Ba
Y。gydF4y2Ba
马gydF4y2Ba
Y。gydF4y2Ba
鲁棒主成分分析:通过凸优化精确恢复损坏的低秩矩阵gydF4y2Ba
]
[
程ydF4y2Ba
X。gydF4y2Ba
汉gydF4y2Ba
Z。gydF4y2Ba
王gydF4y2Ba
Y。gydF4y2Ba
唐gydF4y2Ba
Y。gydF4y2Ba
余gydF4y2Ba
H。gydF4y2Ba
低秩和稀疏分解的非凸+二次处罚嘈杂的图像对齐gydF4y2Ba
]
[
首歌gydF4y2Ba
W。gydF4y2Ba
朱gydF4y2Ba
J。gydF4y2Ba
李gydF4y2Ba
Y。gydF4y2Ba
程ydF4y2Ba
C。gydF4y2Ba
图像对齐在线通过随机梯度下降法稳健的主成分分析gydF4y2Ba
]
[
吴gydF4y2Ba
Y。gydF4y2Ba
沈gydF4y2Ba
B。gydF4y2Ba
凌gydF4y2Ba
H。gydF4y2Ba
通过迭代凸优化网络鲁棒图像对齐gydF4y2Ba
学报2012年IEEE计算机视觉与模式识别会议gydF4y2Ba
2012年gydF4y2Ba
普罗维登斯,美国国际扶轮gydF4y2Ba
IEEEgydF4y2Ba
1808年gydF4y2Ba
1814年gydF4y2Ba
]
[
刘gydF4y2Ba
G。gydF4y2Ba
凌ydF4y2Ba
Z。gydF4y2Ba
杨ydF4y2Ba
年代。gydF4y2Ba
太阳gydF4y2Ba
J。gydF4y2Ba
余gydF4y2Ba
Y。gydF4y2Ba
马gydF4y2Ba
Y。gydF4y2Ba
强劲复苏的子空间结构低秩表示gydF4y2Ba
]
[
哦gydF4y2Ba
郭宏源。gydF4y2Ba
大gydF4y2Ba
Y.-W。gydF4y2Ba
BazingydF4y2Ba
J.-C。gydF4y2Ba
金gydF4y2Ba
H。gydF4y2Ba
KweongydF4y2Ba
i S。gydF4y2Ba
部分和最小化健壮的pca:奇异值的算法和应用程序gydF4y2Ba
]
[
他gydF4y2Ba
J。gydF4y2Ba
张gydF4y2Ba
D。gydF4y2Ba
BalzanogydF4y2Ba
lgydF4y2Ba
道gydF4y2Ba
T。gydF4y2Ba
迭代Grassmannian优化鲁棒图像对齐gydF4y2Ba
]
[
LikassagydF4y2Ba
h·T。gydF4y2Ba
方gydF4y2Ba
W.-H。gydF4y2Ba
通过子空间回归的图像对齐强劲复苏技术gydF4y2Ba
第七学报2018年国际会议上网络,通信和Computing-ICNCC 2018gydF4y2Ba
2018年12月gydF4y2Ba
台北,台湾gydF4y2Ba
288年gydF4y2Ba
293年gydF4y2Ba
]
[
LikassagydF4y2Ba
h·T。gydF4y2Ba
方gydF4y2Ba
W.-H。gydF4y2Ba
低浓缩铀gydF4y2Ba
js。gydF4y2Ba
通过仿射变换和图像强劲复苏gydF4y2Ba
lgydF4y2Ba_{2,1}常态gydF4y2Ba
]
[
张ydF4y2Ba
J。gydF4y2Ba
VaswanigydF4y2Ba
N。gydF4y2Ba
稳健的主成分分析与局部子空间的知识gydF4y2Ba
《2014年IEEE国际研讨会信息理论gydF4y2Ba
2014年6月gydF4y2Ba
美国檀香山,嗨gydF4y2Ba
IEEEgydF4y2Ba
2192年gydF4y2Ba
2196年gydF4y2Ba
]
[
水域gydF4y2Ba
答:E。gydF4y2Ba
Sankaranarayanan领导gydF4y2Ba
a . C。gydF4y2Ba
BaraniukgydF4y2Ba
R。gydF4y2Ba
sparc:恢复低秩和稀疏矩阵的压缩测量gydF4y2Ba
]
[
赖gydF4y2Ba
工程学系。gydF4y2Ba
方gydF4y2Ba
M。gydF4y2Ba
健壮和高效的图像与空间不同的光照模型gydF4y2Ba
2gydF4y2Ba
《1999年IEEE计算机学会学报计算机视觉与模式识别会议(猫。没有PR00149)gydF4y2Ba
1999年gydF4y2Ba
柯林斯堡,美国公司gydF4y2Ba
IEEEgydF4y2Ba
167年gydF4y2Ba
172年gydF4y2Ba
]
[
顾gydF4y2Ba
年代。gydF4y2Ba
谢gydF4y2Ba
Q。gydF4y2Ba
孟gydF4y2Ba
D。gydF4y2Ba
左gydF4y2Ba
W。gydF4y2Ba
冯gydF4y2Ba
X。gydF4y2Ba
张gydF4y2Ba
lgydF4y2Ba
加权核范数极小化及其应用水平低视力gydF4y2Ba
]
[
康gydF4y2Ba
Z。gydF4y2Ba
彭gydF4y2Ba
C。gydF4y2Ba
程gydF4y2Ba
Q。gydF4y2Ba
通过凸阶近似稳健主成分分析,gydF4y2Ba
学报2015年IEEE国际会议数据挖掘gydF4y2Ba
2015年11月gydF4y2Ba
美国新泽西州大西洋城gydF4y2Ba
IEEEgydF4y2Ba
211年gydF4y2Ba
220年gydF4y2Ba
]
[
许gydF4y2Ba
D。gydF4y2Ba
祷告gydF4y2Ba
s M。gydF4y2Ba
张gydF4y2Ba
T。gydF4y2Ba
健壮的和稀疏矩阵分解腐败gydF4y2Ba
]
[
压力gydF4y2Ba
M。gydF4y2Ba
AtiagydF4y2Ba
g·K。gydF4y2Ba
随机子空间学习方法高维度低等级+稀疏矩阵分解gydF4y2Ba
学报2015年第49艾斯洛玛尔会议信号,系统和电脑gydF4y2Ba
2015年11月gydF4y2Ba
美国太平洋格罗夫,CAgydF4y2Ba
IEEEgydF4y2Ba
1796年gydF4y2Ba
1800年gydF4y2Ba
]
[
哦gydF4y2Ba
郭宏源。gydF4y2Ba
李gydF4y2Ba
J.-Y。gydF4y2Ba
大gydF4y2Ba
Y.-W。gydF4y2Ba
KweongydF4y2Ba
i S。gydF4y2Ba
健壮的高动态范围成像在最小化gydF4y2Ba
]
[
ErichsongydF4y2Ba
n . B。gydF4y2Ba
MathelingydF4y2Ba
lgydF4y2Ba
勃氏gydF4y2Ba
s . L。gydF4y2Ba
他表示gydF4y2Ba
j . N。gydF4y2Ba
随机动态模态分解gydF4y2Ba
2017年gydF4y2Ba
https://arxiv.org/abs/1702.02912gydF4y2Ba
]
[
PodosinnikovagydF4y2Ba
一个。gydF4y2Ba
Setzer设计gydF4y2Ba
年代。gydF4y2Ba
嗯gydF4y2Ba
M。gydF4y2Ba
健壮的pca:优化施蒂费尔歧管的重建误差gydF4y2Ba
《德国模式识别会议gydF4y2Ba
2014年9月gydF4y2Ba
德国明斯特gydF4y2Ba
施普林格gydF4y2Ba
121年gydF4y2Ba
131年gydF4y2Ba
]
[
舍希德gydF4y2Ba
N。gydF4y2Ba
罗丹gydF4y2Ba
N。gydF4y2Ba
KalofoliasgydF4y2Ba
V。gydF4y2Ba
年幼的狗gydF4y2Ba
G。gydF4y2Ba
VandergheynstgydF4y2Ba
P。gydF4y2Ba
快速稳健的主成分分析图表gydF4y2Ba
]
[
ShakerigydF4y2Ba
M。gydF4y2Ba
张gydF4y2Ba
H。gydF4y2Ba
Corola:顺序解决移动物体检测使用低秩近似gydF4y2Ba
]
[
胡gydF4y2Ba
Z。gydF4y2Ba
聂gydF4y2Ba
F。gydF4y2Ba
田gydF4y2Ba
lgydF4y2Ba
李gydF4y2Ba
X。gydF4y2Ba
对低等级正规化的全面调查gydF4y2Ba
2018年gydF4y2Ba
https://arxiv.org/abs/1808.04521gydF4y2Ba
]
[
张gydF4y2Ba
T。gydF4y2Ba
LermangydF4y2Ba
G。gydF4y2Ba
小说m-estimator稳健的主成分分析gydF4y2Ba
]
[
压力gydF4y2Ba
M。gydF4y2Ba
AtiagydF4y2Ba
g·K。gydF4y2Ba
子空间强劲复苏的分散的方法gydF4y2Ba
学报2015年第53届Allerton会议沟通,控制和计算(Allerton)gydF4y2Ba
2015年gydF4y2Ba
蒙蒂塞洛,,美国gydF4y2Ba
IEEEgydF4y2Ba
802年gydF4y2Ba
807年gydF4y2Ba
]
[
VaswanigydF4y2Ba
N。gydF4y2Ba
BouwmansgydF4y2Ba
T。gydF4y2Ba
JavedgydF4y2Ba
年代。gydF4y2Ba
NarayanamurthygydF4y2Ba
P。gydF4y2Ba
健壮的子空间学习:健壮的PCA,健壮的子空间跟踪,和子空间强劲复苏gydF4y2Ba
]
[
李gydF4y2Ba
J。gydF4y2Ba
崔书记gydF4y2Ba
Y。gydF4y2Ba
稳健的主成分分析与几何解释基于不连贯gydF4y2Ba
]
[
商gydF4y2Ba
F。gydF4y2Ba
程gydF4y2Ba
J。gydF4y2Ba
刘gydF4y2Ba
Y。gydF4y2Ba
罗gydF4y2Ba
Z.-Q。gydF4y2Ba
凌ydF4y2Ba
Z。gydF4y2Ba
双线性系数矩阵范数最小化稳健主成分分析:算法和应用程序gydF4y2Ba
]
[
张gydF4y2Ba
F。gydF4y2Ba
杨gydF4y2Ba
J。gydF4y2Ba
一个线性的子空间学习方法通过低秩分解gydF4y2Ba
学报2011年第二次国际会议在仿生计算的创新和应用gydF4y2Ba
2011年12月gydF4y2Ba
深圳,中国gydF4y2Ba
IEEEgydF4y2Ba
81年gydF4y2Ba
84年gydF4y2Ba
]
[
赵gydF4y2Ba
X。gydF4y2Ba
一个gydF4y2Ba
G。gydF4y2Ba
岑gydF4y2Ba
Y。gydF4y2Ba
王gydF4y2Ba
H。gydF4y2Ba
赵gydF4y2Ba
R。gydF4y2Ba
健壮的子空间聚类判别低秩表示gydF4y2Ba
]
[
马gydF4y2Ba
Y。gydF4y2Ba
杨gydF4y2Ba
a . Y。gydF4y2Ba
DerksengydF4y2Ba
H。gydF4y2Ba
将gydF4y2Ba
R。gydF4y2Ba
与应用程序建模和估计子空间安排分段混合数据gydF4y2Ba
]
[
LermangydF4y2Ba
G。gydF4y2Ba
MaunugydF4y2Ba
T。gydF4y2Ba
子空间强劲复苏的概述gydF4y2Ba
]
[
饶gydF4y2Ba
年代。gydF4y2Ba
特隆gydF4y2Ba
R。gydF4y2Ba
比达尔gydF4y2Ba
R。gydF4y2Ba
易马gydF4y2Ba
Y。gydF4y2Ba
运动分割的外围,不完整,或损坏的轨迹gydF4y2Ba
]
[
ElhamifargydF4y2Ba
E。gydF4y2Ba
比达尔gydF4y2Ba
R。gydF4y2Ba
稀疏的子空间聚类gydF4y2Ba
学报2009年IEEE计算机视觉与模式识别会议gydF4y2Ba
2009年6月gydF4y2Ba
美国佛罗里达州迈阿密的gydF4y2Ba
IEEEgydF4y2Ba
2790年gydF4y2Ba
2797年gydF4y2Ba
]
[
史gydF4y2Ba
J。gydF4y2Ba
马利克gydF4y2Ba
J。gydF4y2Ba
规范化的削减和图像分割gydF4y2Ba
]
[
王gydF4y2Ba
y。gydF4y2Ba
徐gydF4y2Ba
H。gydF4y2Ba
嘈杂的稀疏的子空间聚类gydF4y2Ba
]
[
李gydF4y2Ba
Q。gydF4y2Ba
太阳gydF4y2Ba
Z。gydF4y2Ba
凌ydF4y2Ba
Z。gydF4y2Ba
他gydF4y2Ba
R。gydF4y2Ba
唐ydF4y2Ba
T。gydF4y2Ba
转换不变子空间聚类gydF4y2Ba
]
[
沈gydF4y2Ba
J。gydF4y2Ba
李gydF4y2Ba
P。gydF4y2Ba
徐gydF4y2Ba
H。gydF4y2Ba
在线低秩子空间聚类的基础字典的追求gydF4y2Ba
机器学习的国际会议gydF4y2Ba
2016年6月gydF4y2Ba
纽约,纽约,美国gydF4y2Ba
622年gydF4y2Ba
631年gydF4y2Ba
]
[
吴gydF4y2Ba
Y。gydF4y2Ba
张gydF4y2Ba
Z。gydF4y2Ba
黄gydF4y2Ba
t·S。gydF4y2Ba
凌ydF4y2Ba
j . Y。gydF4y2Ba
多体分组通过正交的子空间分解gydF4y2Ba
2gydF4y2Ba
2001年IEEE计算机学会学报计算机视觉与模式识别会议gydF4y2Ba
2001年12月gydF4y2Ba
考艾岛,嗨,美国gydF4y2Ba
]
[
李gydF4y2Ba
Y。gydF4y2Ba
程ydF4y2Ba
C。gydF4y2Ba
杨gydF4y2Ba
F。gydF4y2Ba
黄gydF4y2Ba
J。gydF4y2Ba
深稀疏表示,强劲的图像配准gydF4y2Ba
《IEEE计算机视觉与模式识别会议gydF4y2Ba
2015年gydF4y2Ba
波士顿,美国gydF4y2Ba
4894年gydF4y2Ba
4901年gydF4y2Ba
]
[
丁gydF4y2Ba
Z。gydF4y2Ba
傅gydF4y2Ba
Y。gydF4y2Ba
通过双低秩分解健壮的多视点子空间学习gydF4y2Ba
《第三十AAAI会议上人工智能gydF4y2Ba
2016年2月gydF4y2Ba
凤凰城,亚利桑那州,美国gydF4y2Ba
]
[
马gydF4y2Ba
Y。gydF4y2Ba
SoattogydF4y2Ba
年代。gydF4y2Ba
KoseckaagydF4y2Ba
J。gydF4y2Ba
SastrygydF4y2Ba
美国年代。gydF4y2Ba
]
[
丁gydF4y2Ba
C。gydF4y2Ba
周gydF4y2Ba
D。gydF4y2Ba
他gydF4y2Ba
X。gydF4y2Ba
咋gydF4y2Ba
H。gydF4y2Ba
R1-PCA:旋转不变的l 1-norm健壮的子空间分解的主成分分析gydF4y2Ba
学报》第23届国际会议上机器学习gydF4y2Ba
2006年gydF4y2Ba
美国宾夕法尼亚州匹兹堡gydF4y2Ba
ACMgydF4y2Ba
281年gydF4y2Ba
288年gydF4y2Ba
]
[
李gydF4y2Ba
R。gydF4y2Ba
王gydF4y2Ba
X。gydF4y2Ba
LeigydF4y2Ba
lgydF4y2Ba
首歌gydF4y2Ba
Y。gydF4y2Ba
。gydF4y2Ba
lgydF4y2Ba
_gydF4y2Ba
2、1gydF4y2Ba
基于规范的损失函数和正则化极端的学习机器gydF4y2Ba
]
[
温gydF4y2Ba
F。gydF4y2Ba
楚gydF4y2Ba
lgydF4y2Ba
刘gydF4y2Ba
P。gydF4y2Ba
邱gydF4y2Ba
r . C。gydF4y2Ba
一项调查在凸regularization-based稀疏低秩复苏信号处理,统计和机器学习gydF4y2Ba
]
[
李gydF4y2Ba
Y。gydF4y2Ba
凌ydF4y2Ba
Y。gydF4y2Ba
程gydF4y2Ba
X。gydF4y2Ba
肖gydF4y2Ba
Z。gydF4y2Ba
蜀gydF4y2Ba
F。gydF4y2Ba
GuigydF4y2Ba
G。gydF4y2Ba
非凸处罚正规化的存在的稀疏的强劲复苏gydF4y2Ba
]
[
凌ydF4y2Ba
Z。gydF4y2Ba
程ydF4y2Ba
M。gydF4y2Ba
马gydF4y2Ba
Y。gydF4y2Ba
增广拉格朗日乘子方法精确恢复损坏的低秩矩阵gydF4y2Ba
2010年gydF4y2Ba
https://arxiv.org/abs/1009.5055gydF4y2Ba
]
[
博伊德gydF4y2Ba
年代。gydF4y2Ba
帕瑞克豪gydF4y2Ba
N。gydF4y2Ba
楚gydF4y2Ba
E。gydF4y2Ba
PeleatogydF4y2Ba
B。gydF4y2Ba
EcksteingydF4y2Ba
J。gydF4y2Ba
分布式优化和统计学习通过乘数的交替方向方法gydF4y2Ba
]
[
KahakigydF4y2Ba
s M。gydF4y2Ba
王gydF4y2Ba
S.-L。gydF4y2Ba
StepanyantsgydF4y2Ba
一个。gydF4y2Ba
准确登记体内延时图像gydF4y2Ba
]
[
张gydF4y2Ba
Z。gydF4y2Ba
徐gydF4y2Ba
Y。gydF4y2Ba
杨gydF4y2Ba
J。gydF4y2Ba
李gydF4y2Ba
X。gydF4y2Ba
张gydF4y2Ba
D。gydF4y2Ba
稀疏表示的调查:算法和应用程序gydF4y2Ba
]
[
杜塔gydF4y2Ba
一个。gydF4y2Ba
HanzelygydF4y2Ba
F。gydF4y2Ba
RichtarikgydF4y2Ba
P。gydF4y2Ba
一个凸稳健主成分分析的投影方法gydF4y2Ba
]
[
蔡gydF4y2Ba
肯尼迪。gydF4y2Ba
萤石gydF4y2Ba
e . J。gydF4y2Ba
沈gydF4y2Ba
Z。gydF4y2Ba
矩阵的奇异值的阈值算法完成gydF4y2Ba
]
[
杨gydF4y2Ba
J。gydF4y2Ba
阴gydF4y2Ba
W。gydF4y2Ba
张gydF4y2Ba
Y。gydF4y2Ba
王gydF4y2Ba
Y。gydF4y2Ba
edge-preserving变分多路图像恢复的快速算法gydF4y2Ba
]
[
王gydF4y2Ba
Z。gydF4y2Ba
BovikgydF4y2Ba
a . C。gydF4y2Ba
谢赫。gydF4y2Ba
h·R。gydF4y2Ba
SimoncelligydF4y2Ba
e . P。gydF4y2Ba
图像质量评估:从错误的可见性结构相似gydF4y2Ba
]
[
船体gydF4y2Ba
J·J。gydF4y2Ba
数据库用于手写文字识别研究gydF4y2Ba
]
[
黄gydF4y2Ba
g . B。gydF4y2Ba
拉梅什gydF4y2Ba
M。gydF4y2Ba
伯格gydF4y2Ba
T。gydF4y2Ba
Learned-MillergydF4y2Ba
E。gydF4y2Ba
标签面临在野外:数据库为研究人脸识别在不受约束的环境中gydF4y2Ba
2007年gydF4y2Ba
阿默斯特,美国马gydF4y2Ba
马萨诸塞大学gydF4y2Ba
技术报告07-49gydF4y2Ba
]