基于新颖列 L0 范数约束矩阵分解的鲁棒多子空间分析
计算机视觉与模式识别
2018-01-30 v1
摘要
我们研究（近似）由独立子空间并集生成的数据的底层结构。传统方法仅学习一个子空间，无法发现多子空间结构，而最先进的方法使用数据自身作为字典来分析多子空间结构，这不能提供显式基来张成每个子空间，并且通过间接表示对误差敏感。此外，它们还具有高计算复杂度，与样本量呈二次或三次关系。为解决所有这些问题，我们提出了一种称为列 L0 范数约束矩阵分解 (MFC0) 的方法，可同时学习每个子空间的基、为每个数据样本生成直接稀疏表示，并以高效方式去除数据中的误差。进一步，我们开发了一种一阶交替方向算法，其计算复杂度与样本量呈线性关系，以稳定有效地求解 MFC0 的非凸目标函数和非光滑 l0 范数约束。在合成与真实世界数据集上的实验结果表明，除了在子空间聚类、数据重建、误差校正方面优于传统和最先进方法外，MFC0 还展示了其在多子空间基学习和直接稀疏表示方面的独特性。
引用
@article{arxiv.1801.09111,
title = {Robust Multi-subspace Analysis Using Novel Column L0-norm Constrained Matrix Factorization},
author = {Binghui Wang and Chuang Lin},
journal= {arXiv preprint arXiv:1801.09111},
year = {2018}
}
备注
13 pages, 8 figures, 8 tables