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 21:37] 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:snap4.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> |