用于无监督视觉学习的固定秩表示
计算机视觉与模式识别
2012-04-18 v2 数值分析
摘要
子空间聚类和特征提取是计算机视觉和模式识别中最常用的两种无监督学习技术。最先进的子空间聚类技术利用了稀疏性和秩最小化的最新进展。然而，现有技术计算成本高，并且在数据采样不足的情况下可能导致退化解，从而降低聚类性能。为了部分解决这些问题，并受现有矩阵分解工作的启发，本文提出固定秩表示（FRR）作为无监督视觉学习的统一框架。FRR能够在无噪声数据情况下以闭式揭示多个子空间的结构。此外，我们证明，在适当条件下，即使观测不足，FRR仍能揭示真实的子空间隶属关系。为了对异常值和噪声具有鲁棒性，在FRR框架中引入了稀疏正则化器。除了子空间聚类，FRR还可用于无监督特征提取。作为一个非平凡副产品，我们为FRR开发了一个快速数值求解器。在合成数据和实际应用上的实验结果验证了我们的理论分析，并展示了FRR在无监督视觉学习中的优势。
引用
@article{arxiv.1203.2210,
title = {Fixed-Rank Representation for Unsupervised Visual Learning},
author = {Risheng Liu and Zhouchen Lin and Fernando De la Torre and Zhixun Su},
journal= {arXiv preprint arXiv:1203.2210},
year = {2012}
}
备注
accepted by CVPR 2012