Bilinear low-rank coding framework and extension for robust image recovery and feature representation

ما به طور عمده با مشکل جایگزینی تصویر پایین رتبه بندی را با پیشنهاد یک چارچوب کلاسیک پایین رتبه بندی نامیده می شود که به نام نماینده رتبه پایین تانسور است. برای بهبود بهبود ضعیف و تصحیح خطا، روش ما یک زیر فضای کم تضمین را برای بازسازی تصاویر داده شده در امتداد ردیف ها و ستون به طور همزمان با محاسبه دو ماتریس پایین رتبه به طور متناوب از یک مشکل کمینه سازی هسته ای تکرار می کند، بنابراین اطلاعات ستون و ردیف از داده ها می تواند به طور موثر حفظ شود. رویکرد بیلیارین ما یکپارچگی برنامه نویسی و یادگیری فرهنگ لغت را به یک چارچوب متحد تبدیل می کند. بنابراین، فرمول بندی ما را می توان به عنوان تحلیل کامپوننت اصلی تحریکی مستقل تحلیل شده با نویز حذف شده توسط نمایش پایین رتبه، و همچنین می توان به عنوان نمایش رتبه پایین رتبه بندی با یک فرهنگ لغزنده اطلاعاتی از طریق تعیین پایین رتبه در نظر گرفت. برای فعال کردن روش ما برای وارد کردن تصاویر خارجی، فرمت خارج از نمونه نیز با تنظیم کردن مدل برای ارتباط ویژگی های تصویر با بازیابی ضعیف تصاویر ارائه شده است. در مقایسه با سایر معیارها نشان می دهد که مدل ما قوی تر و کارایی بالاتری را نشان می دهد. ما همچنین از کد های پایین رتبه بندی خروجی برای یادگیری ویژگی استفاده می کنیم. دو روش یادگیری زیرمجموعه پایین سطح محلی و جهانی بدون نظارت برای استخراج ویژگی های تصویری برای طبقه بندی پیشنهاد شده است. شبیه سازی اعتبار تکنیک های ما برای بازیابی تصویر، نمایندگی و طبقه بندی را تایید کرد.