鲁棒主成分分析的优化模型及其在计算机视觉中的应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状及发展趋势 | 第8-10页 |
| 1.3 主要研究内容 | 第10-11页 |
| 第二章 低秩结构恢复与凸优化模型 | 第11-15页 |
| 2.1 引言 | 第11页 |
| 2.2 鲁棒主成分分析的优化框架 | 第11-14页 |
| 2.2.1 主成分分析 | 第11-12页 |
| 2.2.2 鲁棒主成分分析 | 第12页 |
| 2.2.3 主成分寻踪 | 第12-14页 |
| 2.3 模型求解涉及到的优化问题 | 第14-15页 |
| 第三章 基于矩阵分解的鲁棒主成分分析 | 第15-23页 |
| 3.1 引言 | 第15-16页 |
| 3.2 （？）_1范数下的鲁棒矩阵分解模型 | 第16-17页 |
| 3.3 增广拉格朗日交替优化方法 | 第17-19页 |
| 3.4 实验 | 第19-23页 |
| 3.4.1 合成数据 | 第19-20页 |
| 3.4.2 刚性和非刚性运动结构 | 第20-21页 |
| 3.4.3 光度立体 | 第21-23页 |
| 第四章 高阶主成分寻踪：张量恢复 | 第23-36页 |
| 4.1 引言 | 第23-24页 |
| 4.2 张量基础与相关标号 | 第24-25页 |
| 4.3 高阶主成分寻踪模型 | 第25页 |
| 4.4 交替极小化框架：交替方向法 | 第25-28页 |
| 4.5 加速的张量近似算法 | 第28-30页 |
| 4.6 实验 | 第30-36页 |
| 第五章 总结与展望 | 第36-37页 |
| 5.1 总结 | 第36页 |
| 5.2 展望 | 第36-37页 |
| 参考文献 | 第37-42页 |
| 发表论文和参加科研情况说明 | 第42-43页 |
| 致谢 | 第43页 |
