本文总结了Robust PCA在背景建模中的优化方法，包括增广拉格郎日乘子法、交替方向法（ADM）、迭代阈值法和加速近端梯度法。这些方法用于解决数据矩阵低秩结构恢复，特别是面对稀疏大噪声的情况。文章提到，尽管迭代阈值法（IT）简单，但收敛速度慢，而加速近端梯度（APG）和ALM能更快收敛，IALM则在速度和精度间取得平衡。
最近一直在看Robust PCA做背景建模的paper, 顺便总结了一下了Robust PCA.前面一篇博客介绍了PCA与Robust PCA区别,本篇博客总结Robust PCA 常见的优化方法,欢迎交流学习。在这里强烈推荐一篇博客Rachel Zhang的Robust PCA 学习笔记。
1.预备知识
2.问题描述
许多实际应用中已知的数据矩阵Ｄ往往是低秩或近似低秩的，但存在随机幅值任意大且分布稀疏的误差破坏了原有数据的低秩性，为了恢复矩阵Ｄ的低秩结构，可将矩阵Ｄ分解为两个矩阵之和，即Ｄ＝Ａ＋Ｅ，其中矩阵Ａ和Ｅ未知，但Ａ是低秩的，E是稀疏的。
最低0.47元/天 解锁文章
扫一扫
1597
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
