...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Signal processing >Robust block tensor principal component analysis
【24h】

Robust block tensor principal component analysis

机译：稳健的块张量主成分分析

获取原文
获取原文并翻译 | 示例
   

获取外文期刊封面封底 >>

       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Robust tensor principal component analysis based on tensor singular value decomposition (t-SVD) is a very effective tool to extract the low rank and sparse components in multi-way signals. In this paper, instead of the tensor nuclear norm (TNN) based on t-SVD for the whole tensor, we propose using the sum of TNN for its small blocks in the same size aiming to do the extraction in a more appropriate scale. The alternating direction method of multipliers can divide the optimization model into two sub-problems, i.e. low rank tensor approximation and sparse component approximation. The iterative block tensor singular value soft thresholding and iterative soft thresholding are used to solve these two sub-problems, respectively. In numerical experiments, the results demonstrate the performance improvement of the proposal method in face image denoising, color image denoising, and illumination normalization for face images. (C) 2019 Elsevier B.V. All rights reserved.
机译：基于张量奇异值分解（t-SVD）的稳健张量主成分分析是一种提取多路信号中低秩和稀疏成分的非常有效的工具。在本文中，我们建议针对相同大小的小块，而不是基于t-SVD的张量核范数（TNN），以更合适的规模进行提取。乘法器的交替方向方法可以将优化模型分为两个子问题，即低秩张量逼近和稀疏分量逼近。迭代块张量奇异值软阈值化和迭代软阈值化分别用于解决这两个子问题。在数值实验中，结果证明了该方法在人脸图像去噪，彩色图像去噪和人脸图像照明归一化方面的性能改进。 （C）2019 Elsevier B.V.保留所有权利。

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