This is an old revision of the document!
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。
此时,宜用改进的模型RPCA(Robust PCA)。 RPCA通过以下目标函数求解:
\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:
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.
(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©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。