基于字典的鲁棒 PCA 推广及其在高光谱成像目标定位中的应用
机器学习
2020-07-01 v3 最优化与控制
机器学习
摘要
我们考虑使用凸去混合方法，将假设为低秩矩阵与在已知字典中稀疏的分量叠加而成的数据矩阵进行分解。我们考虑字典稀疏分量的稀疏因子的两种稀疏结构，即逐元素稀疏与按列稀疏，并给出统一分析，涵盖欠完备与过完备字典情形，以表明在相干性、稀疏性与秩的一些相对温和条件下，各组成矩阵可被成功恢复。我们利用这些结果，基于目标的先验已知特征光谱响应，依据其光谱签名在高光谱 (HS) 图像中定位感兴趣目标。我们通过实验评估以及与相关技术的比较，证实了理论结果并分析了本方法的目标定位性能。
引用
@article{arxiv.1902.08304,
title = {A Dictionary-Based Generalization of Robust PCA with Applications to Target Localization in Hyperspectral Imaging},
author = {Sirisha Rambhatla and Xingguo Li and Jineng Ren and Jarvis Haupt},
journal= {arXiv preprint arXiv:1902.08304},
year = {2020}
}
备注
21 Pages; Index terms - Low-rank, Matrix Demixing, Dictionary Sparse, Target Localization, and Robust PCA