Robust Visual Tracking via Inverse Nonnegative Matrix Factorization
建立鲁棒的目标外观模型是视觉跟踪的首要问题。本文提出了一种鲁棒的外观建模的逆非负矩阵分解(NMF)方法。该方法与传统的NMF跟踪器思想相反,而不是对每个目标图像块使用非负基矩阵的线性组合。该算法利用了前景和背景信息,并施加了局部坐标约束,其中基矩阵是来自候选项与相应非负系数向量的线性组合的稀疏矩阵。逆NMF被用作特征编码器,其中得到的系数向量被馈送到SVM分类器中,用于将目标从背景中分离出来。所提出的方法进行了测试,在几个视频,并与七个国家的最先进的方法进行比较。我们的研究结果提供了进一步的支持所提出的方法的有效性和鲁棒性。
2016-01-12 cs.CV
Stochastic variance reduced multiplicative update for nonnegative matrix factorization
Graduate School of Informatics and Engineering, The University of Electro-Communications(信息与工程研究生院,东京电波通信大学)
本文提出一种随机方差缩减乘法更新算法,改进非负矩阵分解的收敛速度,通过数值实验验证其在不同数据集上的优越性。
2018-04-03 cs.CV cs.LG cs.NA
Sparse Deep Nonnegative Matrix Factorization
University of Chinese Academy of Sciences(中国科学院大学)
非负矩阵分解是通过单层数据表示学习实现降维和模式识别的有力技术。然而,深度学习凭借其精心设计的分层结构,能够将隐藏特征组合起来,形成更具代表性的特征,用于模式识别。在本文中,我们提出了稀疏深度非负矩阵分解模型来分析复杂数据,以获得更准确的分类和更好的特征解释。这种模型被设计为通过对某些因子的列施加$L_1$ -范数惩罚来学习局部特征或为不同类别中的样本生成更具鉴别力的表示。通过将一层模型扩展为具有稀疏性的多层模型,利用模型的非负性,提供了一种层次化的方法来分析大数据,并直观地提取隐藏的特征。采用Nesterov加速梯度算法加速计算过程,使$k$步迭代后的收敛速度达到$O(1/k^2)$。我们还分析了我们的框架的计算复杂度,以证明他们的效率。为了提高处理线性不可分数据的性能,我们还考虑将流行的非线性函数纳入该框架,并探索其性能。我们将我们的模型应用于两个基准图像数据集,证明我们的模型可以实现有竞争力或更好的分类性能,并与典型的NMF和竞争多层模型相比,产生直观的解释。
2017-07-28 cs.CV
Nonnegative Matrix Factorization applied to reordered pixels of single images based on patches to achieve structured nonnegative dictionaries
University of Colorado at Boulder(科罗拉多大学博尔德分校);Tufts University(塔夫茨大学)
本文提出利用非负矩阵分解对单图像块重新排序像素生成结构化非负字典,通过SVD和NMF对比发现NMF能保留图像原始符号结构和局部细节。
2015-06-24 cs.CV cs.NA math.NA
Adaptive Graph via Multiple Kernel Learning for Nonnegative Matrix Factorization
非负矩阵分解(NMF)在模式识别和信息检索方法等领域不断发展。它将矩阵分解为2个低秩非负矩阵的乘积,这将定义非负数据的基于部分和线性表示。最近,图正则化NMF(GrNMF)被提出来寻找一种紧凑的表示,它揭示了隐藏的语义,同时尊重内在的几何结构。在GNMF中,从原始数据空间构造亲和图以编码几何信息。在本文中,我们提出了一个新的想法,该想法采用多核学习方法来细化反映矩阵和新数据空间的分解的图结构。利用核学习细化的图对GrNMF进行了改进,并在GrNMF框架下提出了一种新的核学习方法。我们的方法显示了令人鼓舞的结果相比,国家的最先进的聚类算法,如NMF,GrNMF,SVD等。
2013-04-03 cs.CV cs.LG stat.ML
Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review
Southwest Jiaotong University(西南交通大学);Mississippi State University(密西西比州立大学);University of New South Wales(新南威尔士大学);University of Extremadura(埃斯特雷马杜拉大学)
高光谱解混是从高光谱图像(HSI)中估计一组端元及其相应丰度的重要技术。非负矩阵分解(NMF)在解决这一问题中起着越来越重要的作用。在这篇文章中,我们提出了一个全面的调查基于NMF的方法提出的高光谱解混。以NMF模型为基线,我们展示了如何通过利用HSI的主要属性(例如,光谱、空间和结构信息)。我们将NMF的发展分为三个重要的方向:约束NMF、结构化NMF和广义NMF。最后通过实验验证了相关算法的有效性。最后,对未来的发展方向进行了总结,旨在为高光谱解混技术的发展提供指导和启示。
2022-05-20 cs.CV eess.IV
Clustered Multitask Nonnegative Matrix Factorization for Spectral Unmixing of Hyperspectral Data
Qom University of Technology(库姆理工大学);Shiraz University(设拉子大学)
提出了一种基于聚类多任务网络的高光谱图像混合光谱分解新算法。在该算法中,分簇网络。高光谱图像中的每个像素都被认为是该网络中的一个节点。网络中的节点使用模糊c均值聚类方法进行聚类。采用扩散最小均方策略对所提出的成本函数进行优化。为了评估所提出的方法,实验进行合成和真实数据集。基于光谱角距离、丰度角距离和重建误差度量的仿真结果表明了该算法与其他方法相比的优越性。
2019-05-16 cs.CV
Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors
School of Marine Science and Technology, Northwestern Polytechnical University, China(西北工业大学海洋科学与技术学院);State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, China(北京交通大学轨道交通控制与安全国家重点实验室)
目前,基于非负矩阵分解(NMF)的方法已被广泛应用于盲谱分解。在NMF中引入适当的正则化子对于在数学上约束解和物理上利用图像的光谱和空间特性至关重要。一般来说,适当地手工制作正则化器和解决相关的复杂优化问题是不平凡的任务。在我们的工作中,我们提出了一个基于NMF的解混框架,该框架联合使用手工正则化器和从数据中学习的正则化器。我们将学习到的丰度先验插入其中,可以使用各种图像去噪器来解决相关联的子问题,并且我们考虑将L_2,1-范数正则化器用于丰度矩阵以促进稀疏解混结果。该框架具有灵活性和可扩展性。通过对合成数据和实际机载数据的处理,验证了该方法的有效性。
2020-10-09 cs.CV eess.IV
Coordinate Descent Methods for Symmetric Nonnegative Matrix Factorization
University of Mons(蒙斯大学);University of Texas, Austin(德克萨斯大学奥斯汀分校)
本文提出高效的坐标下降方法用于对称非负矩阵分解,适用于大规模稀疏矩阵,通过实验证明其在合成和实际数据集上的有效性。
2016-05-31 cs.CV cs.LG cs.NA
Sparse Separable Nonnegative Matrix Factorization
University of Mons(蒙斯大学);Univ Rennes(雷恩大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);IRISA(法国雷恩信息与自动化系统研究所)
我们提出了一个新的非负矩阵分解(NMF)的变种,结合分离性和稀疏性的假设。可分离性要求第一NMF因子的列等于输入矩阵的列,而稀疏性要求第二NMF因子的列是稀疏的。我们称这种变体稀疏可分NMF(SSNMF),我们证明是NP-完全的,而不是可分NMF,可以解决多项式时间。考虑这种新模型的主要动机是处理欠定盲声源分离问题,如多光谱图像解混。我们介绍了一种算法来解决SSNMF,基于连续非负投影算法(SNPA,一种有效的算法可分离NMF),和一个精确的稀疏非负最小二乘求解器。我们证明,在无噪声设置和温和的假设下,我们的算法恢复真正的潜在来源。这说明了合成数据集和多光谱图像的解混实验。
2020-06-13 cs.CV cs.LG eess.SP
Supervised Dictionary Learning by a Variational Bayesian Group Sparse Nonnegative Matrix Factorization
Rudjer Boskovic Institute(鲁杰尔·博什科维奇研究所)
非负矩阵分解(NMF)与组稀疏约束的概率图形模型,并制定,假设一些观察数据已产生的模型,一个可行的变分贝叶斯算法的学习模型参数。当在监督学习场景中使用时,NMF最常用作无监督特征提取器,然后在所获得的特征子空间中进行分类。在将类标签映射到更一般的组概念(其是系数的稀疏性的基础)之后,所提出的组稀疏NMF模型允许的是将类标签信息并入以找到低维标签驱动的字典,其不仅旨在忠实地表示数据,而且还适合于类判别。在面部识别和面部表情识别领域进行的实验表明,在这种标签驱动的特征子空间中进行分类比在无监督方式下获得的特征子空间中进行分类具有优势。
2014-05-27 cs.CV cs.LG stat.ML
Sparse Nonnegative Tensor Factorization and Completion with Noisy Observations
Central China Normal University(华中师范大学);The University of Hong Kong(香港大学)
本文研究了三阶张量的稀疏非负张量分解和完备化问题。由于稀疏性和非负性,底层张量被分解为一个稀疏非负张量和一个非负张量的张量积。我们提出了最小化的极大似然估计的非负约束的观察和张量$\ell_0$范数的稀疏因子的总和。我们表明,所提出的模型的估计的误差界可以建立在一般的噪声观测。在特定的噪声分布下,包括加性高斯噪声,加性拉普拉斯噪声,和泊松观测的详细误差范围可以推导出来。此外,极大极小下界与所建立的上界相匹配,最高可达底层张量大小的对数因子。张量的这些理论结果优于矩阵的结果,这说明了使用非负稀疏张量模型完成和去噪的优势。数值实验验证了所提出的基于张量的方法相比,基于矩阵的方法的优越性。
2021-10-20 cs.CV cs.LG cs.NA
Least-squares methods for nonnegative matrix factorization over rational functions
本文研究有理函数约束下的非负矩阵分解(R-NMF),证明其具有本质唯一性,并提出R-HANLS、R-ANLS和R-NLS三种求解方法,在连续信号恢复和高光谱分类任务中优于传统NMF。
2022-09-26 cs.CV cs.LG eess.SP
Bi-Objective Nonnegative Matrix Factorization: Linear Versus Kernel-Based Models
Institut Charles Delaunay (CNRS)(夏尔·德拉吕研究所(CNRS));Université de Technologie de Troyes(特鲁瓦技术大学)
非负矩阵分解(NMF)是一类功能强大的特征提取技术,已成功地应用于许多领域,即在信号和图像处理。当前的NMF技术在其基于线性或非线性核的公式中仅限于单目标问题。在本文中,我们建议重新审视NMF作为一个多目标问题,特别是一个双目标的,在输入和特征空间中定义的目标函数考虑。通过利用多目标优化文献中的加权求和方法,提出的双目标NMF确定了一组非支配的Pareto最优解,而不是一个单一的最优分解。此外,相应的帕累托前沿的研究和近似。对真实高光谱图像进行解混的实验结果表明,与现有方法相比,该方法具有较好的解混效果。
2015-01-22 cs.CV cs.LG math.OC
Generalized Separable Nonnegative Matrix Factorization
Université de Mons(蒙斯大学)
非负矩阵分解(NMF)是一种用于非负数据的线性维数技术,其应用包括图像分析,文本挖掘,音频源分离和高光谱解混。给定数据矩阵$M$和因子分解秩$r$,NMF查找具有$r$列的非负矩阵$W$和具有$r$行的非负矩阵$H$,使得$M \approx WH$。NMF一般是NP难的。然而,它可以有效地计算下的可分性假设,要求的基础向量出现的数据点,即,存在一个索引集$\mathcal{K}$,使$W = M(:,\mathcal{K})$。在本文中,我们推广了可分性假设:我们只需要对每个秩一因子$W(:,k)H(k,:)$为$k=1,2,\dots,r$,或者$W(:,k) = M(:,j)$为一些$j$或$H(k,:) = M(i,:)$为一些$i$。我们把相应的问题称为广义可分NMF(GS-NMF)。我们讨论了GS-NMF的一些性质,并提出了一个凸优化模型,我们使用快速梯度法求解。我们还提出了启发式算法的启发式连续投影算法。为了验证我们的方法的有效性,我们将它们与几种最先进的可分离NMF算法在合成,文档和图像数据集上进行比较。
2019-10-15 cs.CV cs.LG math.OC
Subspace Nonnegative Matrix Factorization for Feature Representation
Northeastern University(东北大学);Stevens Institute of Technology(史蒂文斯理工学院)
传统的非负矩阵分解(NMF)在整个数据空间上学习一种新的特征表示,这意味着平等地对待所有特征。然而,在实际应用中,子空间通常足以用于精确表示,并且冗余特征可能是无效的甚至是有害的。例如,如果相机的一些传感器被破坏,那么来自该相机的照片中的相应像素对识别内容没有帮助,这意味着只有由剩余像素组成的子空间才值得关注。本文提出了一种新的NMF方法,通过引入自适应权重来识别原始空间中的关键特征,使得只有一个子空间涉及生成新的表示。提出了两种策略:模糊加权技术和熵正则化加权技术,这两种技术都导致迭代解具有简单的形式。在真实数据集上的实验结果表明,该方法可以生成比现有方法更准确的特征表示。本研究中开发的代码可在https://github.com/WNMF1/FWNMF-ERWNMF上获得。
2022-04-18 cs.CV cs.LG
Hierarchical Clustering of Hyperspectral Images using Rank-Two Nonnegative Matrix Factorization
Université de Mons(蒙斯大学);Georgia Institute of Technology(佐治亚理工学院)
本文设计了一种高分辨率高光谱图像的层次聚类算法。在算法的核心,一个新的秩2非负矩阵分解(NMF)算法被用来分裂的集群,这是由凸几何概念的动机。该方法从包含所有像素的单个聚类开始,并且在每个步骤中,(i)以使得下一步骤中的误差最小化的方式选择聚类,以及(ii)以使得聚类很好地平衡和稳定的方式使用秩二NMF将所选择的聚类分成两个不相交的聚类。所提出的方法也可以作为一个端元提取算法中存在的纯像素。这种方法的有效性说明了几个合成和现实世界的高光谱图像,并表现出优于标准的聚类技术,如k-均值,球形k-均值和标准NMF。
2014-08-19 cs.CV cs.IR math.OC
Learning the Hierarchical Parts of Objects by Deep Non-Smooth Nonnegative Matrix Factorization
RIKEN(日本理化学研究所);SKOLTECH(莫斯科SKOLTECH)
本文提出深度非光滑非负矩阵分解方法,通过更深层架构学习复杂数据的层次特征,结合非负约束生成部分特征并提取更高层次抽象特征,实验表明其在聚类分析中表现优异。
2018-03-20 cs.CV cs.DS cs.NA
Context Aware Nonnegative Matrix Factorization Clustering
Georgia Institute of Technology(佐治亚理工学院);Twentieth Century Fox(二十世纪福克斯公司);Starfleet Academy(星际舰队学院);Tyrell Inc.(泰瑞尔公司);Ca' Foscari University(威尼斯大学)
在这篇文章中,我们提出了一种方法来完善与非负矩阵分解(NMF)技术得到的聚类结果,施加一致性约束的最终标签的数据。研究界将其精力集中在该方法的初始化和优化部分,而不关注最终的聚类分配。我们提出了一个博弈论的框架中,每个对象被聚类表示为一个球员,它必须选择其集群成员。NMF得到的信息被用来初始化的球员的策略空间和加权图被用来模拟球员之间的相互作用。这些相互作用允许玩家选择与相似玩家选择的集群一致的集群,这是NMF无法保证的属性,因为它产生数据的软聚类。对常见基准测试的结果表明,我们的模型能够提高许多NMF公式的性能。
2016-09-15 cs.AI cs.CL cs.CV
Kernel Nonnegative Matrix Factorization Without the Curse of the Pre-image - Application to Unmixing Hyperspectral Images
Institut Charles Delaunay (CNRS)(查尔斯·德洛奈研究所(法国国家科学研究中心));Université de Technologie de Troyes(特鲁瓦技术大学);LITIS lab(LITIS实验室);Université de Rouen(鲁昂大学);Centre de Recherche en Automatique de Nancy (CNRS)(南锡自动化研究中心(法国国家科学研究中心));Université de Lorraine(洛林大学)
非负矩阵分解(NMF)在信号和图像处理中有着广泛的应用,包括生物信息学、盲声源分离和遥感高光谱图像分析等。一个很大的挑战时,出现处理的非线性制定的NMF。在核机器的框架内,在文献中提出的模型不允许表示的分解矩阵,这是一个辐射的诅咒的前图像。在本文中,我们提出了一种新的基于核的模型的NMF,不受前像的问题,通过直接在输入空间中调查的分解矩阵的估计。对于不同的核函数,我们描述了两个计划的迭代算法:添加剂更新规则的基础上的梯度下降计划和乘法更新规则在相同的精神,在李和Seung算法。在建议的框架内,我们开发了几个扩展,将约束,包括稀疏性,平滑性和空间正则化与总变差一样的惩罚。所提出的方法的有效性证明了解混高光谱图像的问题,使用著名的真实图像和结果与国家的最先进的技术。
2016-03-27 cs.CV cs.IT cs.LG