联合稀疏-阅读笔记

结构稀疏模型 。单个信号的先验：单个信号的块稀疏结构，高斯统计分布 。多个信号的先验：MMV模型，联合稀疏模型 自相似 。基于分类 。基于协同 融合方法 。像素级 。特征级 。决策级 。线性加权图像融合 。基于金字塔变换的图像融合 。基于 PCA 的图像融合 。基于小波变换的图像融合 。同步匹配追踪SOMP融合方法 稀疏表示是指，一个信号在过完备字典中，可以由少数个原子线性表达， 贪婪算法的核心是每次从字典的原子中选择一个最优原子来表示原始的信号。...

原理网上有好多，在此就不写啦，这个是我自己在OMP基础上稍微改进的，作为一个函数可以调用，大家转载时要注明出处哟~~ function A=SOMP1(D,X,L)  % 输入参数:  %       D - 过完备字典，注意：必须字典的各列必须经过了规范化 %       X - 信号 %       L - 系数中非零元个数的最大值（可选，默认为D的列数，速度可能慢） % 输出参数

什么是分布式？ 分布式系统是由一组通过网络进行通信、为了完成共同的任务而协调工作的计算机节点组成的系统。其目的是利用更多的机器，处理更多的数据。 什么是分布式压缩感知？ 分布式压缩感知是针对多个传感器对多个信号进行压缩感知的情景，令每个传感器独立对信号进行测量，然后基于测量结果，综合利用信号内部以及信号之间的关联结构实现稀疏信号的恢复。 分布式压缩感知有一个大前提：原始信号之间具...

本篇博客用到了范数。 一、稀疏表示 二、基于联合稀疏表示的特征融合算法 思想：基于稀疏表示理论的特征融合算法是对样本提取特征后建立特征联合稀疏表示矩阵，这个稀疏表示矩阵就是多特征的融合结果。 1.训练样本 2.测试样本 3.算法 三、鲁棒的基于联合稀疏表示的特征融合算法 参考文献： [1]刘渭滨, 邹智元, 邢薇薇. 模式分类中的特征融合方法[J]...

《Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation》论文阅读笔记 跨域推荐解决数据稀疏性问题。 针对场景：不同的域共享相同的用户数据集，但是项目不同。 已有工作：大多数方法研究跨域迁移共享用户的特征。 问题：共享用户的特征旨在不同域中学习重合的部分，而减小用户在不同域中特定喜好的影响。 本文：学习用户在不同域中重合以及特定的属性。 具体：假定用户在不同域中的喜好是相关的，一个域中的喜好可以

《Region Proposal by Guided Anchoring》来自CVPR2019，非anchor-free时代中anchor在多数目标检测算法中都起到了重要的作用，本篇提出了一种新的anchor生成方法 ，不同于之前的固定 anchor或者根据数据集聚类anchor的方法，通过guided anchoring可以预测anchor的形状和位置得到稀疏的anchor，以及作者提出了Fea...

Deformable 3DGS，4DGS 论文阅读笔记

作者：阿泽（阿泽的学习笔记）本文介绍阿里妈妈广告算法团队发表于 2018 年 SIGIR 一篇论文《Entire Space Multi-Task Model: An Effective...

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【ReID】微信技术交流群研究概述：ReID任务的目的是从海量图像中检索出与给定query相同ID的实例。Pairwise损失函数在ReID 任务中发挥着关键作用。现有方法都是基于密集采样机制，即将每个实例都作为锚点（anchor）采样其正样本和负样本构成三元组。这种机制不可避免地会引入一些几乎没有视觉相似性的正...

稀疏性(sparse) 定义：Sparse表示为模型内的参数中，只用很少的几个非零元素或只有很少的几个远大于零的元素。 WHY: 为什么模型中要包含稀疏性的特征呢？ 例子：考研学霸有10000的词汇量，考试使用的词汇量，是10000个词汇积累库中的一小部分。 Example: Test Number:123.456 第一组数字基底： [100,10,1] ⇒\Rightarrow⇒ 123.456 ≈\approx≈ 100 ×\times× 1 + 10 ×\times× 2 + 1 ×\times× 3

1.提出问题：什么是稀疏表示 假设我们用一个M*N的矩阵表示数据集X，每一行代表一个样本，每一列代表样本的一个属性，一般而言，该矩阵是稠密的，即大多数元素不为0。 稀疏表示的含义是，寻找一个系数矩阵A（K*N）以及一个字典矩阵B（M*K），使得B*A尽可能的还原X，且A尽可能的稀疏。A便是X的稀疏表示。 书上原文为（将一个大矩阵变成两个小矩阵，而达到压缩） “为普通稠密表达的样

计算机视觉研究院专栏作者：Edison_G今天主要和大家说的是分类检测过程中，一些稀疏和集成学习的相关知识，首先和大家说下图像目标定位与检测的方法分类。公众号ID｜ComputerVisi...

1、MTT算法      Multi-Task Tracking (MTT)跟踪算法，在粒子滤波框架下，将目标跟踪作为多任务稀疏学习问题，粒子模型为动态更新地字典模板线性组合。学习每个粒子的表示被考虑为一个单独的任务。学习问题可以使用一个加速梯度（APG）的方法解决。MTT有计算上的吸引力，与L1跟踪器相比，提高了跟踪的效率。      1.1跟踪目标的多任务表示           在

本文是关于论文《CT Super-resolution GAN Constrained by the Identical, Residual, and Cycle Learning Ensemble (GAN-CIRCLE)》的阅读笔记，本来是想看有关cycle-GAN 的内容，但是错找成了 GAN-Circle 的论文。 一、研究背景 GAN-Circle 是一个半监督的深度学习网络，用来从低...

【时间】2019.07.16 【题目】稀疏表示（Sparse Representations）（转） 稀疏编码、字典学习 稀疏表示（Sparse Representations）

矩阵中非零元素的个数远远小于矩阵元素的总数，并且非零元素的分布没有规律，通常认为矩阵中非零元素的总数比上矩阵所有元素总数的值小于等于0.05时，则称该矩阵为稀疏矩阵(sparsematrix)，该比值称为这个矩阵的稠密度；与之相区别的是，如果非零元素的分布存在规律（如上三角矩阵、下三角矩阵、对角矩阵），则称该矩阵为特殊矩阵。比较基本的定义是矩阵中的大多数元素为零，并且可以利用零元素节约大量存储、运...

介绍   在机器学习（ML）中，通常的关注点是对特定度量进行优化，度量有很多种，例如特定基准或商业 KPI 的分数。为了做到这一点，我们通常训练一个模型或模型组合来执行目标任务。然后，我们微调这些模型，直到模型的结果不能继续优化。虽然通常可以通过这种方式使模型达到可接受的性能，但是由于我们的关注点集中在单个任务上，我们忽略了可能帮助优化度量指标的其它信息。具体来说，这些信息来自相关任务的训练信...

尤肖虎 中国3G、4G掌门人  ，江苏省科协副主席。 尤肖虎现兼任未来移动通信论坛秘书长 “宽带移动通信容量逼近传输与分布式组网”项目获2014年度陈嘉庚科学奖。 尤肖虎，男，东南大学教授，博士生导师，1962年8月出生。1988年在东南大学信号、电路与系统专业获博士学位。 曾任东南大学信息科学与工程学院院长、移动通信国家重点实验室主任，教授、博士生导师，长江学者计划