playground:playground
Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
playground:playground [2010/04/27 21:31] 11021002 |
playground:playground [2023/08/19 21:02] (current) |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| ====== PlayGround ====== | ====== PlayGround ====== | ||
| - | 以下是对课件的补充和扩展： | ||
| - | 2.不适用于非高斯噪声污染的数据集。\\ | ||
| - | 设数据$m\times n$矩阵$M=L+S$，$L$为潜在的低秩矩阵，$S$噪声矩阵。如果$S$非高斯噪声，例如稀疏且幅值不定的噪声，那么PCA将失效。\\ | ||
| - | |||
| - | {{:playground:rpca.jpg|}} | ||
| - | |||
| - | 此时，宜用改进的模型RPCA(Robust PCA)。 | ||
| - | RPCA通过以下目标函数求解： | ||
| - | <jsmath>\min_{L,S}\|L\|_{*}+\lambda \|S\|_{l_{1}} \;\; s.t. \; M=L+S</jsmath> | ||
| - | |||
| - | $\lambda$是权重参数，通常设为$\lambda=\frac{1}{\sqrt{\max\{m,n\}}}$。 $\|\cdot\|_{*}$为核范数，即矩阵奇异值之和。$\|\cdot\|_{l_{1}}$为一范数，即矩阵元素绝对值之和。\\ | ||
| - | 此凸函数具有唯一最小值。使用ALM(Augmented Lagrange Multiplier)求解，最小化增强的拉格朗日函数： | ||
| - | <jsmath>\min_{L,S,Y}l(L,S,Y)=\min_{L,S,Y}\|L\|_{*}+\lambda \|S\|_{l_{1}}+ tr\{Y^{T}(M-L-S)\}+\frac{\mu}{2}\|M-L-S\|_{F}^{2}</jsmath> | ||
| - | $\mu$为另一权重，可取值$\mu=nm/(4\|M\|_{1})$。$\|\cdot\|_{F}$为Frobenius范数，即矩阵元素平方和开根号。\\ | ||
| - | 通过迭代计算求最优值:\\ | ||
| - | 1.初始化：$S_{0}=Y_{0}=0$，$k=0$\\ | ||
| - | 2.while $\|M-L-S\|_{F}>10^{-7}\|M\|_{F}$ do\\ | ||
| - | 3. $L_{k+1}=D_{1/\mu}(M-S_{k}-Y_{k}/\mu)$\\ | ||
| - | 4. $S_{k+1}=S_{\lambda/\mu}(M-L_{k+1}+Y_{k}/\mu)$\\ | ||
| - | 5. $Y_{k+1}=Y_{k}+\mu (M-L_{k+1}-S_{k+1})$\\ | ||
| - | 6. $k=k+1$\\ | ||
| - | 7.end while\\ | ||
| - | 8.输出$L,S$\\ | ||
| - | |||
| - | 对于标量$x$，函数$S_{a}(x)=sgn(x)max\{|x|-a,0\}$，即截断操作。当输入为矩阵时，对每一元素独立操作。函数$D_a(X)$也是截断操作，但作用于矩阵奇异值：设矩阵$X$的SVD分解为$X=U\Sigma V^{T}$，那么$D_a(X)=US_{a}(\Sigma)V^{T}$。 | ||
| - | |||
| - | 对RPCA做一些修改，可用于人脸对齐与去噪。这是RPCA研究团队一篇CVPR2010的工作：\\ | ||
| - | Yigang Peng, Arvind Ganesh, John Wright, Wenli Xu, and Yi Ma. RASL: Robust Alignment by Sparse and Low-rank Decomposition for Linearly Correlated Images. To appear in CVPR, June 2010. | ||
| - | |||
| - | {{:playground:snap3.jpg|}} | ||
| - | |||
| - | (a)算法输入40张同一人不同光照、遮挡，姿势和表情的图片。(b)-(d)为算法输出，算法同时完成对齐(b)、提取真实人脸(c)和分离噪声（异物）(d)。算法主要思路为寻找一组几何变换$\tau$使对齐后的图像$D\circ\tau$能被分解为低秩成分和稀疏噪声。 | ||
| - | |||
| - | |||
| - | <note important>浙江大学2008-2009版权所有，如需转载或引用，请与[[zhx@cad.zju.edu.cn | 作者联系]]。</note> | ||
playground/playground.1272375065.txt.gz · Last modified: 2023/08/19 21:01 (external edit)
Page Tools
Except where otherwise noted, content on this wiki is licensed under the following license: CC Attribution-Noncommercial-Share Alike 4.0 International
