鲁棒主成分分析中的边信息：算法与应用
计算机视觉与模式识别
2017-03-29 v2
摘要
鲁棒主成分分析 (RPCA) 旨在从严重损坏的高维（通常为视觉）数据中恢复低秩子空间，并且是许多机器学习和计算机视觉应用的基石。尽管已证明 RPCA 在解决许多秩最小化问题方面非常成功，但仍存在得到退化或次优解的情况。这有可能通过考虑依赖于领域的先验知识来补救。在本文中，我们借助关于数据低秩结构的边信息，提出了两种用于 RPCA 问题的模型。所提方法的通用性通过将其应用于四个应用得到展示，即背景减除、人脸图像去噪、人脸及面部表情识别。在合成和五个真实世界数据集上的实验结果表明，所提方法在这些应用领域具有鲁棒性和有效性，大幅优于六种先前的方法。
引用
@article{arxiv.1702.00648,
title = {Side Information in Robust Principal Component Analysis: Algorithms and Applications},
author = {Niannan Xue and Yannis Panagakis and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1702.00648},
year = {2017}
}