费尔南多·德拉托雷;迈克尔·J·布莱克。 鲁棒子空间学习框架。 (英语) Zbl 1076.68058号 国际期刊计算。视觉。 54,编号1-3,117-142(2003). 摘要:许多计算机视觉、信号处理和统计问题都可以被视为学习低维线性或多线性模型的问题。这些模型在计算机视觉应用中广泛用于表示形状、外观、运动等。学习线性模型的方法可以看作是子空间拟合的特例。以往学习方法的一个缺点是,它们基于最小二乘估计技术,因此无法解释实际训练集中常见的“离群值”。我们回顾了以往使线性学习方法对离群值鲁棒的方法,并提出了一种使用样本内离群值过程来解释像素离群值的新方法。在基于鲁棒M估计的连续优化框架内,我们发展了线性模型的鲁棒子空间学习理论。该框架适用于计算机视觉中的各种线性学习问题,包括特征分析和运动结构。使用几个合成和自然示例开发并说明了计算机视觉中鲁棒子空间学习的理论和应用。 引用于36文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 68T45型 机器视觉和场景理解 68单位10 图像处理的计算方法 关键词:主成分分析;奇异值分解;学习;稳健统计;子空间方法;运动中的结构;稳健PCA;稳健的SVD;计算机视觉。 软件:范胡菲尔 PDF格式BibTeX公司 XML格式引用 \textit{F.De la Torre}和\textit{M.J.Black},国际计算机杂志。视觉。54,编号1--3,117--142(2003;Zbl 1076.68058) 全文: 内政部