面向计算机视觉的鲁棒表示学习

计算机视觉中的无监督学习技术通常需要学习潜在表示，例如低维线性和非线性子空间。数据中的噪声和离群点会通过遮蔽潜在空间而阻碍这些方法。我们的主要目标是深入理解并新发展表示学习的鲁棒方法。我们为现有的鲁棒方法提供了新的解释，并提出了两项具体贡献：一种新的鲁棒 PCA 方法，可将前景特征从动态背景中分离；以及一种新颖的鲁棒谱聚类方法，能高精度聚类人脸图像。这两项贡献在真实世界测试集上均表现出优于标准方法的性能。