• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Structure-Constrained Low-Rank Representation
【24h】

Structure-Constrained Low-Rank Representation

机译：结构约束的低秩表示

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Benefiting from its effectiveness in subspace segmentation, low-rank representation (LRR) and its variations have many applications in computer vision and pattern recognition, such as motion segmentation, image segmentation, saliency detection, and semisupervised learning. It is known that the standard LRR can only work well under the assumption that all the subspaces are independent. However, this assumption cannot be guaranteed in real-world problems. This paper addresses this problem and provides an extension of LRR, named structure-constrained LRR (SC-LRR), to analyze the structure of multiple disjoint subspaces, which is more general for real vision data. We prove that the relationship of multiple linear disjoint subspaces can be exactly revealed by SC-LRR, with a predefined weight matrix. As a nontrivial byproduct, we also illustrate that SC-LRR can be applied for semisupervised learning. The experimental results on different types of vision problems demonstrate the effectiveness of our proposed method.
机译：受益于其在子空间分割中的有效性，低秩表示（LRR）及其变体在计算机视觉和模式识别中具有许多应用，例如运动分割，图像分割，显着性检测和半监督学习。已知标准LRR仅在所有子空间都是独立的假设下才能很好地工作。但是，在实际问题中不能保证此假设。本文解决了这个问题，并提供了LRR的扩展，称为结构约束LRR（SC-LRR），以分析多个不相交的子空间的结构，这对于真实视觉数据而言更为通用。我们证明，使用预定义的权重矩阵，SC-LRR可以准确揭示多个线性不相交子空间的关系。作为非平凡的副产品，我们还说明了SC-LRR可用于半监督学习。在不同类型的视觉问题上的实验结果证明了我们提出的方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号