學習筆記，僅供參考，有錯必糾

關鍵詞：不相交子空間，低秩表示(LRR)，半監督學習，子空間分割

---

Structure-Constrained Low-Rank Representation

摘要

低秩表示(LRR)及其變體得益于其在子空間分割中的有效性，在計算機視覺和模式識別中有許多應用，例如運動分割、圖像分割、顯著性檢測和半監督學習。眾所周知，標準LRR只能在所有子空間都是獨立的假設下才能很好地工作。然而，這一假設在現實世界的問題中無法得到保證。

本文解決了這個問題，并提供了LRR的擴展，稱為結構約束LRR (SC-LRR)，以分析多個不相交的子空間的結構，這是更普遍的真實視覺數據。我們證明了多個線性不相交子空間之間的關系可以通過一個預定義的權重矩陣由SC-LRR精確地揭示出來。

作為一個非平凡的副產品，我們還說明了超LRR可以應用于半監督學習。不同類型視覺問題的實驗結果驗證了該方法的有效性。

INTRODUCTION

近年來，子空間分割和半監督學習引起了廣泛關注。給定從子空間的并集中提取的數據，子空間分割是根據它們從其中提取的子空間對數據進行聚類。它在計算機視覺[1]、[2]和圖像處理[3]、[4]中有許多應用。在這個問題上已經付出了很多努力。

根據[5]中的調查，它們大致可以分為四類:

• 代數方法；
• 迭代方法；

總結

以上是生活随笔為你收集整理的文献记录(part78)--Structure-Constrained Low-Rank Representation的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。