一种深度展开的时空 RPCA 网络用于 L+S 分解
提出了一种基于加速交替投影算法的深度展开算法,旨在解决矩阵分解问题中的 Robust Principal Component Analysis (RPCA) 问题,并自学习超参数。通过在合成数据集和面部建模问题上的效果展示出其在数值和视觉上的效能。
Jul, 2023
提出了一种名为 RPCANet 的可解释深度网络,用于检测红外弱目标,通过将迭代优化更新步骤展开成深度学习框架,实现了对目标的清晰解释性和对内在图像特征的保留,在定性和定量评价中超越了基线方法,证明了深度展开框架的有效性。
Nov, 2023
提出了一种名为 simple-ReProCS 的新算法,它是基于递归投影压缩感知(ReProCS)框架的,用于动态 RPCA 问题中的离群值检测和跟踪,并能够在弱化标准 RPCA 假设、慢潜空间变化和适当假设离群值大小的条件下提供第一个完整的保证。
May, 2017
该研究提出了一种基于空时正则化的张量稀疏 RPCA 算法,用于精确的视频背景减除,并在六个公开数据集上进行了实验证明其相比现有方法具有卓越的性能。
Sep, 2023
本文介绍了过去十年来有关 RPCA 和其动态对应物(鲁棒子空间跟踪)的大量文献,讨论了它们的理论保证和性能表现,并提供了性能和速度的实证比较;同时还简要讨论了低秩矩阵完成问题,它是 RPCA 的一个简化特例。
Mar, 2018
提出了一种名为 RTCUR 的快速算法,用于在 Tucker 秩设置下,将给定的张量分成基础低秩分量和稀疏异常分量的大规模非凸 TRPCA 问题中,利用交替投影框架在低秩张量集和稀疏张量集之间进行投影,并利用最近开发的张量 CUR 分解大大降低了每个投影的计算复杂度,通过在合成和真实数据集上的实验,证明了 RTCUR 算法的有效性和计算优势,是一种研究 tensor robust principal component analysis 问题的有效方法。
May, 2023
本研究提出了一种基于深度学习和展开式鲁棒主成分分析技术的自适应雷达干扰抑制方法,通过在递归式展开式鲁棒主成分分析技术中引入残余过完备自编码器块,实现了在干扰存在的情况下同时准确估计雷达目标的幅度和相位的效果。
Oct, 2020