efficientcomputationofrobustlow-rankmatrix内容摘要：
数据以及现实世界的数据上，有着非常令人信服结果的初步实验。 引言 低质矩阵分解 范数 – L1norm – L2norm ,ˆm i n,UVm n m r r n m nW Y U VY R U R V R W R ， ，1,ijijAa 22,ijijAa 引言 低质矩阵分解研究意义 – Structure from motion – Polyhedral object modeling from range images – Layer extraction – Recognition – Shape from varying illumination 当前方法的问题 – 以 L2范数为测度 • 数据存在噪声或部分丢失 – 以 L1范数为测度 • 能降低对 outlier的敏感程度 • 在存在数据丢失情况的下： nonsmooth amp。 nonconvex and A. Pentland. Eigenfaces for recognition, Journal of Cognitive Neuroscience, 1991 引言 本文的工作 – L1范数 – 存在缺失数据 – 非平滑性和计算需求 1,ˆm i n,UVm n m r r n m nW Y U VY R U R V R W R ， ，符号说明 : n n::()()nIu v e c Uv v e c V单 位 矩 阵阿 达 马 乘 积克 罗 内 克 积符号说明 克罗克内积 相关工作 —— 高斯牛顿算法 ir：是关于 x的非线性函数 2i1m in rmix相关工作 高斯牛顿算法 相关工作 —— Wiberg算法 Start at some initial guess U 2。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。