用于鲁棒深度子空间发现的多层协作低秩编码网络
计算机视觉与模式识别
2020-01-16 v3
摘要
对于子空间恢复，大多数现有的低秩表示（LRR）模型在原始空间中以单层模式运行。因此，无法学习深度层次信息，这可能导致对复杂真实数据恢复不准确。本文通过设计用于潜在 LRR 的多层架构，探索深度多子空间恢复问题。在技术上，我们提出了一种称为 DeepLRR 的新型多层协作低秩表示网络模型，以发现深度特征与深度子空间。在每一层（>2）中，DeepLRR 通过前一层中具有低秩系数和投影矩阵的协作表示对数据矩阵进行双线性重建。前一层的双线性低秩重建被直接作为下一层的输入和低秩字典用于表示学习，并进一步分解为深度主特征部分、深度显著特征部分和深度稀疏误差。因此，由于低秩字典，相干性问题也能得到解决，并且特征子空间中对噪声的鲁棒性也能增强。为了准确恢复各层中的稀疏误差，采用了动态增长策略，因为随着层数增加噪声水平会变小。此外，还引入了邻域重建误差，以通过各层中深度系数自适应地编码深度显著特征的局部性。在公共数据库上的大量结果表明，我们的 DeepLRR 在子空间发现和聚类方面优于其他相关模型。
引用
@article{arxiv.1912.06450,
title = {Multilayer Collaborative Low-Rank Coding Network for Robust Deep Subspace Discovery},
author = {Xianzhen Li and Zhao Zhang and Yang Wang and Guangcan Liu and Shuicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:1912.06450},
year = {2020}
}
备注
Accepted by the 24th European Conference on Artificial Intelligence (ECAI 2020)