文件名称：强大的自动加权投影低秩和稀疏恢复，可直观显示
文件大小：1.55MB
文件格式：PDF
更新时间：2024-05-27 07:34:04
Auto-weighted low-rank and sparse recovery;
大多数现有的低秩稀疏表示模型无法自适应地保留样本的局部流形结构，或将局部性保留与编码过程分开，这可能会导致性能下降。 在本文中，我们提出了一种基于联合特征嵌入的归纳鲁棒自动加权低秩和稀疏表示（RALSR）框架，用于高维数据的显着特征提取。 从技术上讲，我们的RALSR模型将联合的低秩和稀疏恢复与强大的显着特征提取无缝集成在一起。 具体而言，RALSR将自适应局部性保留权重，联合低秩/稀疏表示和增强鲁棒性表示集成到一个统一模型中。 对于精确的相似性度量，RALSR通过同时使恢复的干净数据和显着特征上的联合重建误差最小化来计算自适应权重，其中L1范数也适用于确保学习权重的稀疏属性。 联合最小化还可以潜在地使权重矩阵具有通过自适应重构来去除噪声和不利特征的能力。 基础投影由联合的低秩和稀疏正则化编码，这可以确保其对显着特征提取具有强大的功能。 因此，对于后续分类，所计算的高维数据的低秩稀疏特征将更加准确。 视觉和数值比较结果证明了我们的RALSR对于数据表示和分类的有效性。