基于子空间学习的图像误差检测问题研究

发布时间：2021-01-24 22:53

　　纠错问题是机器学习中非常重要的一个主题。在现实情况下获得的数据都或多或少的包含着一些损坏的部分,如何处理这部分损坏的数据是一个十分困难的问题。人们对于这一问题的研究由来已久,在数学上对这一问题的等价描述为:揭示高维空间的数据在低维子空间中的结构。解决这一问题的机器学习方法有很多,但是现有方法具有一定的局限性,即其计算性能会随着维度的增加而下降,且通常会忽视原始数据的领域结构。更确切的来说,这些方法在我们所考虑的高维方案中无法有效的发挥作用。在本文中,基于子空间学习的方法,本文提出了一个灵活的鲁棒主成分分析（FRPCA）方法。它是通过将原始数据通过重构矩阵,投影到一个低维子空间中,而后利用这个低维子空间,我们就可以将数据所包含的误差进行分离。但与传统方法中只使用一个重构矩阵不同,本文中的方法使用两个不同的矩阵来对原始数据进行数据重构,并且可以通过使用其中的一个矩阵来获得数据的紧凑表示。此外,FRPCA方法会选择最相关的特性来保证恢复的数据能够很好地保留原始数据的领域结构。对于这一机器学习问题,我们对其进行数学化的表达,从而得到了一个凸优化问题,而机器学习的过程则是通过求解核范数正则最小化... 

【文章来源】：广东工业大学广东省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

一个基本的迁移学习示例

减少特征维数。其次，线性回归模型并未强调不同反应之间的乘回归相当于分别对预测变量的每个响应进行回归。 为了将关性纳入回归模型，研究人员引入了降阶退化方法，这是一个数矩阵具有降低的秩。 后来许多研究人员研究了低阶（或简化/任务相关模式由低阶结构探索并用于增强回归/分类结果。定义在不对损坏的数据点施加任何限制的情况下，实现本文所提出。例如，如果损坏的数据点呈现无序状态，如图 3-1（a）所示于拟合损坏数据点的简单模型。幸运的是，基于下述的两个事标是可行的。首先，即使图 3-1(a)中的损坏是无序的，也存在将任何数据点 x 投影到下面的子空间，从而产生准确的恢复结

图 3-4 一个正交普鲁克问题的示例Figure 3-4 A basic orthogonal procrustes problem图 3-5 为从属子空间计算矩阵 的示例。在这个例子中，我们创建了 11 个对不相交的子空间，每个子空间的维数为 20，并从每个子空间中抽取 20 个样本没有错误。环境维度为 200，小于子空间维度的总和。因此子空间是相关的，并 不是严格的块对角线。然而，很容易看出通过使用上述相似度矩阵进行谱聚可以实现高分割精度。3.2.3 更新 E我们通过求解下述问题来更新 E = (3.2

【参考文献】：
期刊论文
[1]基于多特征子空间与核学习的行人再识别[J]. 齐美彬,檀胜顺,王运侠,刘皓,蒋建国.  自动化学报. 2016(02)
[2]基于外观模型学习的视频目标跟踪方法综述[J]. 张焕龙,胡士强,杨国胜.  计算机研究与发展. 2015(01)
[3]基于子空间分解的信道阶数估计算法[J]. 代松银,袁嗣杰,董书攀.  电子学报. 2010(06)
[4]基于PCA学习子空间算法的有限汉字识别[J]. 蒋伟峰,刘济林.  中国图象图形学报. 2001(02)

博士论文
[1]基于子空间分析的人脸识别研究[D]. 祝磊.浙江大学 2007



本文编号：2998076