文件名称：高斯混合噪声模型的鲁棒张量分解的广义模型
文件大小：512KB
文件格式：PDF
更新时间：2024-04-25 23:48:13
Expectation-maximization (EM) algorithm; generalized weighted
低阶张量因子分解（LRTF）技术已在许多计算机视觉应用中受到越来越多的关注。 与传统的矩阵分解技术相比，它可以更好地保留固有结构信息，从而具有较好的低维子空间恢复性能。 基本上，通过最小化输入数据与其因数表示之间的最小平方损失来恢复所需的低秩张量。 由于当噪声遵循高斯分布时，最小二乘损失是最佳的，因此设计了基于L1范数的方法来处理离群值。 不幸的是，它们在处理经常被复杂噪声污染的真实数据时可能会失去效力。 在本文中，我们考虑将噪声建模技术集成到广义加权LRTF（GWLRTF）过程中。 此过程将原始问题视为LRTF问题，并使用混合高斯（MoG）（称为MoG GWLRTF）的过程对噪声进行建模。 为了扩展模型的适用性，在LRTF过程中合并了两个典型的张量分解操作，即CANDECOMP / PARAFAC分解和Tucker分解。 在期望最大化框架下更新其参数。 大量的实验表明了MoG GWLRTF的这两个版本在各种应用中的各自优点，并且还展示了它们与其他竞争方法相比的有效性。