非負低秩親和度圖的構(gòu)建_第1頁
非負低秩親和度圖的構(gòu)建_第2頁
非負低秩親和度圖的構(gòu)建_第3頁
非負低秩親和度圖的構(gòu)建_第4頁
全文預覽已結(jié)束

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

非負低秩親和度圖的構(gòu)建

1非負局部約束低秩子空間算法在過去幾十年中,他研究了子空間。譜聚類算法的關(guān)鍵步驟在于構(gòu)建親和度圖。構(gòu)建親和度圖的方案分為基于局部距離和基于全局線性表示兩種?;诰植烤嚯x的方法利用成對點之間的歐氏距離建立親和度圖,如拉普拉斯特征圖稀疏子空間聚類算法與基于稀疏方法相比,基于低秩的方法旨在找到所有數(shù)據(jù)的最低秩表示,即rank(Z),s.t.X=XZ。此方法更適合追求數(shù)據(jù)空間的全局和內(nèi)在信息。然而,低秩表示算法不能利用數(shù)據(jù)之間局部線性結(jié)構(gòu),這將導致構(gòu)造的親和度矩陣通常是密集的,并且低秩表示中的負值在構(gòu)建親和度矩陣上沒有任何意義。為了兼顧數(shù)據(jù)的全局和局部結(jié)構(gòu),本文提出了非負局部約束低秩子空間算法,該算法在低秩表示的基礎上,將數(shù)據(jù)的局部稀疏結(jié)構(gòu)作為約束集成到統(tǒng)一公式中。此外,原始數(shù)據(jù)作為字典不具有代表性,基于學習的字典對噪聲有良好的魯棒性??紤]到最終結(jié)果的準確性,在預處理數(shù)據(jù)時,采用Wei2相關(guān)工作2.1子空間的集合令X=[x其中第i個塊Z2.2低秩表示算法低秩表示算法旨在探索多個子空間結(jié)構(gòu),從而找到一組數(shù)據(jù)向量的最低秩表示。對于無噪聲的情況,低秩表示算法將數(shù)據(jù)本身作為字典,并尋找最低秩表示矩陣Z:由于秩函數(shù)不是凸的難以求得最優(yōu)值,式(2)最優(yōu)化問題可以放寬到以下凸優(yōu)化問題:其中||?||對于存在噪聲的情況,低秩表示算法通過向目標函數(shù)(3)添加列和范數(shù)項處理噪聲數(shù)據(jù),使得噪聲稀疏:雖然實驗結(jié)果表明直觀地,該模型消除了大部分噪聲,并采用干凈數(shù)據(jù)作為字典,當數(shù)據(jù)本身嚴重損壞時,最終的聚類效果比低秩表示算法有明顯提升。3正則項參數(shù)平衡稀疏與低秩約束及法典更新在2.1節(jié)中,說明了對于塊對角矩陣Z如果字典是過于完備的(比如用數(shù)據(jù)本身作為字典)可以有無窮多個可行解,為了解決這個問題,對所求的表示矩陣Z加入稀疏與低秩約束:式(6)中β>0是正則項參數(shù)平衡稀疏性與低秩性,表示矩陣Z的每一列z其中||?||同時,也要考慮到噪聲的影響,加入噪聲項E的同時,對字典進行更新:典D根據(jù)2.2節(jié)Wei該模型具體來說,每個數(shù)據(jù)點由其他數(shù)據(jù)點的線性組合得到,表示矩陣Z是非負且稀疏的3.2交替方向乘子法對于式(8),雖然在求解過程時固定其他變量求解單一變量可以確保函數(shù)為凸函數(shù),但計算量仍非常巨大。因此在確定字典時,基于Wei根據(jù)引理1可以將式(8)近似地轉(zhuǎn)化為如下兩式:式(9)用核范數(shù)近似替代秩函數(shù)(rank),利用增廣拉格朗日方法去除約束條件后,借由Lin具體迭代求解流程見算法1,其中Θ對于式(10),交替方向乘子法(ADM)在求解時需要引入兩個輔助變量,每個變量迭代都需要龐大的矩陣計算。因此,采用線性交替方向自適應法(LADMAP)首先,引入輔助變量H使目標函數(shù)變量可分離:式(12)的增廣拉格朗日方程為:為后續(xù)計算簡便,式(13)化簡為:線性交替方向自適應法(LADMAP)通過求解單一變量時,固定其他變量為最小值來交替更新變量Z、H和E,其中二次項其中?為關(guān)于Z的偏微分操作,Θ、S、Ω分別是奇異值閾值操作、收縮閾值操作、l完整迭代算法流程見算法2。3.3親水矩陣的建立得到表示系數(shù)矩陣Z3.4非負局部限制低質(zhì)子空間算法定義親和度矩陣W后,剩下工作為構(gòu)建親和度圖,圖中的每個頂點對應著每個數(shù)據(jù)點x4視覺任務性能本章將評估非負局部約束低秩子空間算法(NLRSI)對合成數(shù)據(jù)和實際計算機視覺任務(運動分割和手寫數(shù)字聚類)的性能。為了直觀表達效果,將與基于譜聚類的最先進的子空間聚類算法,如稀疏子空間算法(SSC)對于比較的算法,采用引用文獻中的參數(shù)作為輸入?yún)?shù),其中對于Hopkins155運動分割數(shù)據(jù)庫4.1局部約束低秩算法當p=0與p=0.3時,圖2與圖3顯示了親和度矩陣W或者表示系數(shù)矩陣Z通過圖2與圖3的對比可以看出,非負低秩稀疏表示算法(NNLRSR)與非負局部約束低秩算法(NLRSI)對噪聲的魯棒性能較好,這表明通過局部約束強制更改矩陣結(jié)構(gòu)可以消除大量無關(guān)噪聲,使得聚類效果提升,這也在圖1的準確率變化趨勢圖中有所體現(xiàn)。4.2hopcs1-pcr聚類誤差運動分割是指從視頻序列中提取一組二維點軌跡,將軌跡對應于不同的剛體運動。這里,數(shù)據(jù)矩陣X的尺寸為2F×N,其中N是二維軌跡的數(shù)量,F是視頻中的幀數(shù)。在仿射投影模型下,n個不同運動對象相關(guān)聯(lián)的二維軌跡位于n個仿射子空間的組成的R本部分采用Hopkins155數(shù)據(jù)庫表1顯示了Hopkins155數(shù)據(jù)庫中155個序列聚類誤差,圖5與圖6展示了155個序列應用非負局部約束低秩子空間算法(NLRSI)各自的聚類誤差,明顯的,二物體比三物體聚類誤差更小。同時從表1中的數(shù)據(jù)可以看出NLRSI算法的聚類誤差比其他算法誤差小,雖然低秩表示算法(LRR)的中位值更低,但是從平均值結(jié)果來看,低秩表示算法對于某些序列的聚類效果不穩(wěn)定,導致了誤差過大,拉高了平均值。4.3寫數(shù)字手寫數(shù)字聚類是指由不同人筆跡構(gòu)成的一組數(shù)字圖像,將數(shù)字相同的圖像分離出。這里采用美國郵政手5聚類算法的比較本文提出了非負局部約束低秩子空間算法(NLRSI),該算法利用數(shù)據(jù)的局部稀疏結(jié)構(gòu)和子空間的全局低秩特征,構(gòu)造體現(xiàn)數(shù)據(jù)向量之間特點的親和度矩陣。理論分析保證了算法獲得的最優(yōu)親和度矩陣具有良好的聚類效果。同時實驗結(jié)果表明,非負局部約束低秩子空間算法在運動分割和手寫數(shù)字聚類任務中,優(yōu)于現(xiàn)存的幾種最先進的聚類算法。但是該算法也

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論