×
陆宇武；赖志辉；徐勇；你，简；李雪龙；袁、春

投影稳健非负因子分解。 （英语） Zbl 1427.68269号

信息科学。 364-365, 16-32 (2016).
摘要：非负矩阵分解（NMF）作为一种低维表示方法，已成功地应用于许多领域。投影非负矩阵分解（PNMF）是NMF的一种变体，它是为了学习用于特征提取的子空间而提出的。然而，原始NMF和PNMF都对噪声敏感，如果数据严重损坏，则不适合进行特征提取。为了提高NMF的鲁棒性，本文提出了一个用于鲁棒图像特征提取和分类的框架——投影鲁棒非负因子分解（PRNF）。由于学习后的投影可以减弱噪声干扰，因此PRNF更适合于分类和特征提取。为了保持原始数据的几何结构，PRNF引入了一个对几何结构进行编码的图正则化项。在PRNF框架中，提出了三种算法，分别基于（L_1/2}）范数、（L_1}）模和（L_2,1}）范在噪声矩阵上添加稀疏约束。通过在四个人脸图像数据库上的实验，验证了这三种算法的鲁棒性和分类性能，并将结果与基于NMF的最新鲁棒算法进行了比较。实验结果证明了该算法在图像分类和特征提取方面的稳健性和有效性。

引用于三文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
15A23型 矩阵的因式分解
68吨10 模式识别、语音识别

关键词：

稳健性；非负矩阵分解；图正则化；人脸识别

软件：

CMU项目
PDF格式BibTeX公司 XML格式引用
\textit{Y.Lu}等人，《信息科学》。364--365，16-32（2016；Zbl 1427.68269）
全文： 内政部

参考文献：

[1] Dempster，A。；莱尔德，N。；Rubin，D.，通过em算法从不完整数据中获得最大似然，J.R.Stat.Soc.，39，1-38（1977）·Zbl 0364.62022号
[4] 秦，B。；胡，C。；Huang，S.，荧光分解的目标/背景分类正则化非负矩阵分解，IEEE Trans。仪器。测量。，65, 874-889 (2016)
[5] Lee，D。；Seung，H.，通过非负矩阵分解学习对象的各个部分，《自然》，401，6755，788-791（1999）·Zbl 1369.68285号
[6] 蔡，D。；何，X。；Han，J。；Huang，T.，数据表示的图正则化非负矩阵分解，IEEE Trans。模式分析。机器。智力。，33, 1548-1560 (2011)
[7] D.孔。；丁，C。；Huang，H.，使用L21范数的稳健非负矩阵分解，（第20届ACM信息与知识管理国际会议论文集（2011）），673-682
[8] Donoho，D.，压缩传感，IEEE Trans。《信息论》，521289-1306（2006）·Zbl 1288.94016号
[9] 黑尔，E.T。；尹，W。；Zhang，Y.，《L1最小化的定点延拓：方法论与收敛》，SIAM J.Optim。，19, 1107-1130 (2008) ·Zbl 1180.65076号
[10] 聂，F。；黄，H。；蔡，X。；Ding，C.，通过联合L2,1-形式最小化进行高效且稳健的特征选择，高级神经信息处理。系统。，23, 1813-1821 (2010)
[11] Gasalino，G。；北卡罗来纳州布奥诺。；Mencar，C.，用于播种非负矩阵分解的减法聚类，《信息科学》。，257, 369-387 (2014) ·Zbl 1321.62067号
[12] 刘，H。；吴，Z。；蔡，D。；Huang，T.S.，图像表示的约束非负矩阵分解，IEEE Trans。模式分析。机器。智力。，34, 1299-1311 (2012)
[13] 周，J。；梁，R。；赵，L。；Tao，L。；邹，C.，基于卷积非负矩阵分解的噪声环境中耳语音素的无监督学习，信息科学。，257, 115-126 (2014) ·Zbl 1320.68157号
[14] 张，L。；陈，Z。；郑，M。；He，X.，鲁棒非负矩阵因式分解，Front。选举人。电子。中国工程，6192-200（2011）
[15] 卢，M。；X.赵。；张，L。；Li，F.，用于文档聚类的半监督概念分解，信息科学。，331, 86-98 (2016) ·Zbl 06871178号
[16] Buono，N.D。；Pio，G.，用于共聚类的非负矩阵三因子分解：块矩阵的分析，Inf.Sci。，301, 13-26 (2015)
[17] 关，N。；陶，D。；罗，Z。；Yuan，B.，流形正则化快速梯度下降判别非负矩阵分解，IEEE Trans。图像处理。，20, 2030-2048 (2011) ·Zbl 1372.94098号
[18] Gillis，N.，hottopixx的稳健性分析，非负矩阵分解的线性规划模型，SIAM J.Mat.Anal。申请。，34, 1189-1212 (2013) ·兹比尔1286.15016
[19] Hoyer，P.O.，非负稀疏编码，（第12届IEEE神经网络信号处理研讨会论文集，2002年），557-565
[20] 李，S。；侯，X。；张，H。；Cheng，Q.，学习空间局部化、基于部件的表示，（IEEE计算机视觉模式识别国际会议论文集，2001），207-212
[21] Zafeiriou，S。；特法斯，A。；布基乌，I。；Pitas，I.，在非负矩阵分解中利用鉴别信息并应用于正面人脸验证，IEEE Trans。神经网络。，17, 683-695 (2006)
[22] 罗素·S·J。；Norvig，P.，《人工智能的现代方法》（2003），普伦蒂斯·霍尔：普伦蒂斯霍尔上鞍河，美国新泽西州
[23] 西姆·T。；贝克，S。；Bsat，M.，《CMU姿势、照明和表情数据库》，IEEE Trans。模式分析。机器。智力。，25, 1615-1618 (2003)
[24] 蒙加，V。；Möhçak，M.K.，《通过非负矩阵分解实现稳健和安全的图像散列》，IEEE Trans。Inf.法医安全。，2376-390（2007年）
[25] 刘伟。；郑，N。；You，Q.，非负矩阵分解及其在模式识别中的应用，Chin。科学。公牛。，51, 7-18 (2006) ·Zbl 1115.15011号
[26] 杨伟（Yang，W.）。；Sun，C。；张磊，一种用于图像特征提取的多流形判别分析方法，模式识别。，44, 1649-1657 (2011) ·Zbl 1218.68158号
[27] 刘，X。；Yan，S。；Jin，H.，投影非负图嵌入，IEEE Trans。图像处理，191126-1137（2010）·Zbl 1371.68216号
[28] 黄，X。；郑，X。；袁伟。；Wang，F。；Zhu，S.，使用集成非负矩阵分解增强生物医学文档聚类，信息科学。，181, 2293-2302 (2011)
[29] 卢，Y。；赖，Z。；Xu，Y。；李，X。；张，D。；Yuan，C.，低水位保护预测，IEEE Trans。赛博。(2015)
[30] 陈，Y。；张杰。；蔡，D。；刘伟。；He，X.，图像表示的非负局部坐标分解，IEEE Trans。图像处理，22969-979（2013）·兹比尔1373.94082
[31] Zhang，Y。；Yi，D。；魏，B。；庄，Y.，一种基于GPU加速的社会标签数据非负稀疏潜在语义分析算法，Inf.Sci。，281, 687-702 (2014)
[32] Wang，Y。；贾毅，费希尔非负矩阵因式分解在局部特征学习中的应用，（2004年亚洲计算机视觉会议论文集），1-6
[33] 钱，Y。；贾，S。；周，J。；Robles-Kelly，A.，通过（L_{1/2}）稀疏约束非负矩阵分解实现高光谱分解，IEEE Trans。地质科学。遥感，49，4282-4297（2011）
[34] 袁，Z。；Oja，E.，用于图像压缩和特征提取的投影非负矩阵分解，（第14届斯堪的纳维亚图像分析会议论文集（2005年6月19日至22日）），333-342
[35] 杨，Z。；Oja，E.，线性和非线性投影非负矩阵分解，IEEE Trans。神经网络。，1973年7月21日至1949年（2010年）
[36] 夏，Z。；丁，C。；Chow，E.，稳健核非负矩阵分解，（IEEE第12届数据挖掘研讨会（ICDMW）国际会议论文集（2012）），522-529
[37] 徐，Z。；张，H。；Wang，Y。；Chang，Y.L.X.Y.，（L_{1/2}）正则化子，Sci。中国Ser。F、 531159-1169（2010）·Zbl 1497.62192号
[38] 赖，Z。；Xu，Y。；陈，Q。；杨，J。；Zhang，D.，多线性稀疏主成分分析，IEEE Trans。神经网络。学习。系统。，25, 1942-1950 (2014)
[39] 风扇，Z。；Xu，Y。；张，D.，使用样本邻域的局部线性判别分析框架，IEEE Trans。神经网络。，22, 1119-1132 (2011)
[40] 赖，Z。；Wong，W.K。；Z.Jin。；杨，J。；Xu，Y.，鉴别特征子空间的稀疏近似，IEEE Trans。神经网络。学习。系统。，23, 1948-1960 (2012)
[41] 赖，Z。；Xu，Y。；杨，J。；张丹，稀疏张量判别分析，IEEE Trans。图像处理，223904-3915（2013）·Zbl 1373.94218号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。