首页/论文/1601.01431

arXiv 1601.014312016-01-07cs.CV

混合双向投影二维的概率主成分分析

Mixture of Bilateral-Projection Two-dimensional Probabilistic Principal Component Analysis

Beijing University of Technology（北京工业大学）；Charles Sturt University（查尔斯特大学）

Fujiao Ju, Yanfeng Sun, Junbin Gao, Simeng Liu, Yongli Hu

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

概率主成分分析（PPCA）是建立在一个全球性的线性映射，它是不足以模拟复杂的数据变化。提出了一种基于二维数据的混合双边投影概率主成分分析模型（mixB2DPPCA）。该模型是一种软聚类算法，具有对复杂结构数据建模的能力。提出了一种基于变分EM（期望最大化）方法学习模型参数的贝叶斯推理方案。在一些公开数据库上的实验表明，mixB2DPPCA的性能得到了很大的提高，与现有的PCA算法相比，其重构误差和识别率都有了更高的精度。

英文摘要：

The probabilistic principal component analysis (PPCA) is built upon a global linear mapping, with which it is insufficient to model complex data variation. This paper proposes a mixture of bilateral-projection probabilistic principal component analysis model (mixB2DPPCA) on 2D data. With multi-components in the mixture, this model can be seen as a soft cluster algorithm and has capability of modeling data with complex structures. A Bayesian inference scheme has been proposed based on the variational EM (Expectation-Maximization) approach for learning model parameters. Experiments on some publicly available databases show that the performance of mixB2DPPCA has been largely improved, resulting in more accurate reconstruction errors and recognition rates than the existing PCA-based algorithms.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

数据驱动的双边广义二维四元数主成分分析及其在彩色人脸识别中的应用

Data-Driven Bilateral Generalized Two-Dimensional Quaternion Principal Component Analysis with Application to Color Face Recognition

Jiangsu Normal University（江苏师范大学）；China University of Mining and Technology（中国矿业大学）；Qingdao University of Science and Technology（青岛科技大学）

本研究提出数据驱动的双边广义二维四元数主成分分析方法，通过广义岭回归模型与四元数优化算法提取彩色图像特征，结合加权技术用于人脸识别与重建，实验证明其性能优于现有方法。

2023-06-12cs.CV

混合概率主测地线分析

Mixture Probabilistic Principal Geodesic Analysis

Lehigh University（理海大学）；University of Virginia（弗吉尼亚大学）

由于黎曼流形上复杂的非线性数据结构，黎曼流形上的非线性约简具有挑战性。概率主测地线分析（PPGA）是将传统的主成分分析（PCA）推广到流形上的一种方法，但其有效性仅限于单一模态的数据。在本文中，我们提出了一种新的高斯潜变量模型，提供了一种独特的方式来集成多个PGA模型到一个最大似然框架。这导致一个定义良好的混合模型的概率主测地线分析（MPPGA）的子种群，其中的主子空间的参数自动估计采用期望最大化算法。我们进一步开发了一个混合贝叶斯PGA（MBPGA）模型，通过抑制不相关的主测地线自动降低数据的维数。我们证明了我们的模型在聚类和统计形状分析的背景下，使用合成的球体数据，真实的胼胝体，和下颌骨数据从人脑磁共振~（MR）和CT图像的优势。

2019-09-05cs.CVcs.LGstat.ML

流形值数据主成分分析的无穷小概率模型

An Infinitesimal Probabilistic Model for Principal Component Analysis of Manifold Valued Data

University of Copenhagen（哥本哈根大学）

我们提供了一个概率和无穷小的观点如何主成分分析程序（PCA）可以推广到非线性流形值数据的分析。从概率PCA的解释欧几里德PCA过程，我们展示了如何PCA可以推广到流形的内在方式，不诉诸线性化的数据空间。基本的概率模型是通过利用欧氏半鞅的随机发展将欧氏随机过程映射到流形上来构造的。该结构使用连接和束的共变张量，以允许全球运输的主要特征向量，该模型是一个例子，如何主纤维丛可以用来处理缺乏全球坐标系和方向的特点，多方面的价值统计。我们展示了如何曲率意味着非积分的等价的欧几里得主子空间，以及如何随机流提供了一种替代明确建设这样的子空间。我们描述的参数推断和预测的主成分估计程序，我们给嵌入式表面上的模型的属性的例子。

2018-06-24cs.CVmath.STstat.TH

基于层次概率主成分分析的纹理生成模型

A Generative Model of Textures Using Hierarchical Probabilistic Principal Component Analysis

University of Tsukuba（筑波大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）；University of Electro-Communication（电气通信大学）

自然图像纹理建模是建立自然图像微观模型的一项重要任务。Portilla和Simoncelli提出了一种生成式纹理模型，该模型基于大脑视觉系统的机制，具有一组纹理特征和一个特征匹配。另一方面，Portillas模型中使用的纹理特征在其来自典型自然纹理的分量之间存在冗余。在本文中，我们提出了一个压缩的纹理模型，它提供了一个降维的Portillas的功能。该模型是基于一个层次的主成分分析，使用已知的组结构的功能。在实验中，我们发现描述纹理的有效维度比原始描述更少。此外，我们还展示了如何以及纹理可以合成从收缩的纹理表示。

2018-10-16cs.CVcs.LG

因子分析、概率主成分分析、变分推断和变分自动编码器：研究与综述

Factor Analysis, Probabilistic Principal Component Analysis, Variational Inference, and Variational Autoencoder: Tutorial and Survey

University of Waterloo（滑铁卢大学）

这是一篇关于因子分析、概率主成分分析（PCA）、变分推断和变分自动编码器（VAE）的教程和调查论文。这些方法，这是紧密相关的，是降维和生成模型。他们假设每个数据点都是由低维潜在因素生成或引起的。通过学习特征空间的分布参数，找到相应的低维因子，实现降维。由于它们的随机性和生成性，这些模型也可以用于在数据空间中生成新的数据点。在本文中，我们首先从变分推断开始，我们推导出证据下界（ELBO）和期望最大化（EM）的学习参数。然后，我们引入因子分析，推导其联合分布和边缘分布，并计算其EM步骤。概率主成分分析，然后解释，作为一种特殊情况下的因素分析，其封闭形式的解决方案。最后，介绍了VAE的编码器、解码器和潜在空间采样。训练VAE使用EM和反向传播解释。

2022-05-23cs.CVcs.LGstat.ML

基于随机场的贝叶斯非线性主成分分析

Bayesian Nonlinear Principal Component Analysis Using Random Fields

Nanyang Technological University（南洋理工大学）

我们提出了一个新的模型，非线性降维的概率制定的主成分分析的动机。通过在潜在空间的不同位置指定不同的变换矩阵并使用马尔可夫随机场类型先验平滑变换来实现非线性。计算是可行的，最近的进展，从冯米塞斯-费舍尔分布抽样。

2008-02-09cs.CVcs.LG

更多相关论文收起更多论文

概率PolarGMM：未知位姿强噪声投影图像的无监督聚类学习

Probabilistic PolarGMM: Unsupervised Cluster Learning of Very Noisy Projection Images of Unknown Pose

The University of Texas at Austin（德克萨斯大学奥斯汀分校）

低温电子显微镜（Cryo-EM）的单粒子分析（SPA）中的一个关键步骤，2D分类和对齐需要收集噪声粒子图像来推断方向并将相似图像分组在一起。平均这些对齐和聚类的噪声图像产生一组干净的图像，准备进一步分析，如3D重建。傅立叶-贝塞尔可操纵主成分分析（FBsPCA）实现了一种高效、自适应、低秩旋转算子。我们扩展了FBsPCA以额外处理翻译。在这个扩展的FBsPCA表示，我们使用概率极坐标高斯混合模型学习软集群在无监督的方式使用期望最大化（EM）算法。因此，所获得的旋转簇对于成对对准缺陷的存在是额外鲁棒的。来自模拟Cryo-EM数据集的多个基准测试显示，与标准单粒子Cryo-EM工具EMAN 2和RELION相比，PolarGMM在各种聚类指标和对齐误差方面的性能有所改善。

2022-06-26cs.CEcs.CVcs.LG

鲁棒主成分补全

Robust Principal Component Completion

School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学）；National Key Laboratory of Science and Technology on Space-Born Intelligent Information Processing（空间智能信息处理国家重点实验室）；Department of Electrical and Computer Engineering, Mississippi State University（电气与计算机工程系，密苏里州立大学）；National Research Council, Institute of Methodologies for Environmental Analysis (CNR-IMAA)（国家研究理事会，环境分析方法研究所（CNR-IMAA））

本文提出鲁棒主成分补全方法，通过间接确定稀疏成分的支持集来解决稀疏前景遮挡低秩背景的问题，采用变分贝叶斯推断实现全概率贝叶斯稀疏张量分解，实验显示其在合成数据和真实数据中表现优异。

2026-04-22cs.CVcs.LG

概率成分分析的统一框架

A Unified Framework for Probabilistic Component Analysis

University of Twente（特文特大学）；Imperial College London（帝国理工学院）

我们提出了一个统一的框架，减少了概率成分分析技术的建设，仅仅是选择的潜在的邻居，从而提供了一个优雅的和原则性的框架，创造新的成分分析模型，以及构建概率等价的确定性成分分析方法。在我们的框架下，我们统一了许多非常流行和研究的成分分析算法，如主成分分析（PCA），线性判别分析（LDA），局部保持投影（LPP）和慢特征分析（SFA），其中一些在文献中没有概率等价物。我们首先定义的马尔可夫随机场（MRF）封装的潜在连接的上述组件分析技术，随后，我们表明，所有PCA，LDA，LPP和SFA产生的投影方向也产生了一个单一的联合概率密度函数的最大似然（ML）的解决方案，通过选择一个定义的MRF先验，同时利用一个简单的观察模型。此外，我们提出了新的期望最大化（EM）算法，利用拟议的联合PDF，而我们提出的方法，通过参数化MRF产品推广到任意连接。模拟和真实世界的数据的理论分析和实验表明，所提出的框架的有用性，通过导出的方法，以及优于国家的最先进的等价物。

2014-11-14cs.CVcs.LGstat.ML

从图像到概率解剖学模型：一种深变分瓶颈方法

From Images to Probabilistic Anatomical Shapes: A Deep Variational Bottleneck Approach

Scientific Computing and Imaging Institute（科学计算与成像研究所）；University of Utah（犹他大学）

直接从3D医学图像进行统计形状建模（SSM）是一种未充分利用的工具，用于检测病理、诊断疾病和进行群体级形态学分析。深度学习框架通过减少传统SSM工作流程中专家驱动的手动和计算开销，提高了在医疗实践中采用SSM的可行性。然而，将这样的框架转化为临床实践需要校准的不确定性度量，因为神经网络可以产生在敏感的临床决策中不能信任的过度自信的预测。用于预测具有任意（数据相关）不确定性的形状的现有技术利用与模型训练隔离地计算的基于主成分分析（PCA）的形状表示。该约束将学习任务限制为仅从3D图像估计预定义的形状描述符，并且在该形状表示和输出之间强加线性关系（即，形状）空间。在本文中，我们提出了一个原则性的框架的基础上变分信息瓶颈理论放松这些假设，同时预测解剖结构的概率形状直接从图像中没有监督编码的形状描述符。在这里，潜在表示是在学习任务的上下文中学习的，从而产生更可扩展、更灵活的模型，可以更好地捕捉数据的非线性。此外，该模型是自正则化的，并且在给定有限的训练数据的情况下更好地泛化。我们的实验表明，所提出的方法提供了更高的精度和更好的校准任意不确定性估计比国家的最先进的方法。

2022-05-13cs.CVcs.LG

基于稀疏MRI信息的概率三维表面重建

Probabilistic 3D surface reconstruction from sparse MRI information

ETH Zurich（苏黎世联邦理工学院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）；Microsoft Mixed Reality and AI lab（微软混合现实与人工智能实验室）

从磁共振（MR）成像数据中重建表面是医学图像分析和临床研究中不可缺少的。一个可靠有效的重建工具应该：快速预测准确的井局部和高分辨率模型，评估预测的不确定性，尽可能少的输入数据工作。然而，当前的深度学习最新技术水平（SOTA）3D重建方法通常仅产生定位在规范位置中的有限可变性的形状或缺乏不确定性评估。在本文中，我们提出了一种新的概率深度学习方法，用于从稀疏的2D MR图像数据和任意不确定性预测进行并发3D表面重建。我们的方法是能够重建大的表面网格从三个准正交的MR成像切片从有限的训练集，同时通过高斯分布建模的每个网格顶点的位置。使用内置的线性主成分分析（PCA）模型对先验形状信息进行编码。对心脏MR数据的大量实验表明，我们的概率方法成功地评估了预测的不确定性，同时在定性和定量方面优于SOTA方法的形状预测。与SOTA相比，我们能够通过使用空间感知神经网络来正确定位和定向预测。

2020-10-05cs.CVcs.LGeess.IV

通过变分自编码器实现更好的轮廓监测统计

Toward a Better Monitoring Statistic for Profile Monitoring via Variational Autoencoders

Arizona State University（亚利桑那州立大学）

现代工业系统中成像和轮廓传感器的广泛可及性创造了丰富的高维传感变量。这使得人们对高维过程监控的研究越来越感兴趣。然而，文献中的大多数方法假设受控总体位于具有给定基的线性流形上（即，样条、小波、核等）或未知基（即，主成分分析及其变体），其不能用于有效地对具有非线性流形的轮廓进行建模，而非线性流形在许多实际情况中是常见的。我们提出了深度概率自编码器作为一种可行的无监督学习方法来模拟这种流形。要做到这一点，我们制定的非线性和概率扩展的监测统计从经典的方法作为预期的重建误差（ERE）和KL-发散（KLD）的监测统计。通过广泛的模拟研究，我们提供了关于为什么基于潜在空间的统计数据不可靠以及为什么基于剩余空间的统计数据通常对基于深度学习的方法表现更好的见解。最后，我们通过模拟研究和现实生活中的案例研究，涉及从热轧过程中的缺陷图像，证明了深概率模型的优越性。

2022-08-10cs.CVcs.LGstat.ML

基于扩散概率模型的图像重建广义压缩感知

Generalized Compressed Sensing for Image Reconstruction with Diffusion Probabilistic Models

Janelia Research Campus, Howard Hughes Medical Institute（贾勒尼亚研究campus，霍华德·休斯医学研究所）；Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会）；New York University（纽约大学）；University of Pennsylvania（宾夕法尼亚大学）

本文提出一种利用扩散模型隐含先验优化线性测量的广义压缩感知方法，用于图像重建，相比PCA、ICA和CS显著降低均方误差，并发现偏斜分布及感知损失优化下的不同测量。

2025-08-04cs.CVcs.LGeess.IV