基于块对角自适应局部约束表示的鲁棒子空间发现
计算机视觉与模式识别
2019-08-06 v1
摘要
我们提出一种新颖的无监督表示学习模型，即鲁棒块对角自适应局部约束潜在表示（rBDLR）。rBDLR 能够联合恢复多子空间结构并提取自适应局部保持的显著特征。基于 Frobenius 范数的潜在低秩表示模型，rBDLR 联合学习编码系数与显著特征，并通过增强对给定数据中离群点与误差的鲁棒性、自适应保持显著特征的局部信息以及确保系数的块对角结构来改进结果。为提升鲁棒性，我们在恢复的干净数据空间中进行潜在表示与自适应加权。为迫使系数块对角，我们基于显著特征最小化重构误差进行自动加权，并使用块对角正则化项约束。这确保了可获得严格的块对角权重矩阵，且显著特征将具备自适应局部保持能力。通过最小化系数矩阵与权重矩阵之差，我们可获得块对角系数矩阵，并能在显著特征与系数之间传播和交换有用信息。大量结果表明 rBDLR 优于其他 SOTA 方法。
引用
@article{arxiv.1908.01266,
title = {Robust Subspace Discovery by Block-diagonal Adaptive Locality-constrained Representation},
author = {Zhao Zhang and Jiahuan Ren and Sheng Li and Richang Hong and Zhengjun Zha and Meng Wang},
journal= {arXiv preprint arXiv:1908.01266},
year = {2019}
}
备注
accepted by ACM Multimedia 2019