基于图形正则化低秩表示张量与亲和矩阵的多视图聚类

针对聚类中忽略局部结构、低秩表示张量与亲和矩阵高度依赖性等问题,提出一种基于图形正则化低秩表示张量与亲和矩阵的多视图聚类方法.首先,提出一个统一的框架学习多视图子空间的图正则低秩表示张量和亲和矩阵;其次,进一步通过基于张量核范数的张量奇异值分解分析高阶交叉视图关联性,并利用图形正则化保留嵌入在高维空间中的局部结构;最后,利用约束二次规划为每个视图分配自适应权重.在7个数据集上的实验结果证明了该方法聚类效果更好.

张量低秩表示和时空稀疏分解的视频前景检测

针对视频中前景检测的问题,提出了一种基于张量低秩表示(Tensor Low-Rank Representation,TLRR)和时空稀疏分解的检测方法。由于视频序列中的前景除具有稀疏性外,本身还具有空间上的连续性以及时间上的持续性,本文提出采用时空稀疏范数对前景特性进行深入发掘。利用张量低秩表示方法将原始视频用张量形式进行分解,充分利用了原始数据的行信息和列信息,且将原始的背景、前景二分解泛化为背景、前景和噪声的三分解,使用非精确增广拉格朗日乘子(Inexact Augmented Lagrange Multiplier,IALM)方法进行最优化求解,并对算法进行了分析。设计实验对本文新方法的有效性进行了验证和比较,并对影响算法效果的重要参数ρ进行了进一步研究实验。实验结果表明:该方法能够有效检测出视频中的运动前景,其准确性相对已有方法有一定提高。