基于稀疏编码的线性子空间学习方法

14、基于稀疏表示和随机森林的单人单样本人脸识别方法

本文提出了一种基于稀疏表示和随机森林（SR-RF）的单人单样本人脸识别方法，旨在解决传统方法在单人单样本（SSPP）情况下性能下降的问题。该方法通过将人脸图像分割成多个重叠补丁，利用稀疏编码提取局部特征，并通过随机森林学习全局特征，最后使用基于L1的最近邻分类器进行识别。在AR和FERET人脸数据库上的实验表明，SR-RF方法在识别准确率方面优于多种经典SSPP方法，展现了良好的性能和稳定性，具有在安全、金融、社交娱乐等领域的广泛应用前景。

随机子空间与稀疏结合代码_用于多任务CNN的随机滤波分组，性能超现有基准方法...

作者 |Felix J.S. Bragman, Ryutaro Tanno等译者 | 李杰出品 | AI科技大本营(ID:rgznai100)多任务学习(MTL)的性能表现，很大程度上取决于任务共享的方式，而任务共享方式通常是依靠网络架构的设计。共享方式是由网络深度和任务数量综合决定的，因此如果完全依靠人工设计的组合方式，可能得到的结果是耗时的，而且并不能保证是最优方案。本文提出了一种...

稀疏子空间聚类（SSC）算法实现与应用实战

稀疏子空间聚类（Sparse Subspace Clustering, SSC）是一种面向高维数据的无监督学习方法，其核心思想是利用数据点在所属低维子空间中的稀疏线性表示特性来揭示潜在的数据结构。SSC通过求解L1正则化优化问题，获得每个数据点对其他点的稀疏自表达系数，进而构建亲和矩阵，并结合谱聚类实现子空间划分。相较于K-means或传统谱聚类，SSC无需预先假设簇形状，能自动识别相交或近似嵌套的子空间结构，在处理图像、视频和基因数据时展现出更强的结构性建模能力。

Subspace Clustering 学习----稀疏子空间聚类(SSC)

子空间聚类算法概述 现实世界中，大部分应用场景所需要用到的数据都不会是独立出来的某一类数据，而是多类数据集的混合。如果直接对混合数据进行处理，一是训练后所得的结果不理想，二是所需要的计算时间开销很大。因此，在对数据进行训练之前，先对原数据集进行预处理，将原数据集看成多个数据类的混合数据，每个数据类都是一个subspace。如果能使用一些方法将联合数据集中的data points分类到具体的所属子空间中去，再对自空间进行训练，会大大提高效率。现行存在的subspace clustering算法可以分成4类：

基于映射的子空间学习方法

一般而言，在高维空间中，当数据样本的个数远远小于其维度时，数据样本在高维空间中会呈现稀疏性分布，即分布在高维空间中的数据样本密度极小。这会导致直接对高维数据进行分析往往效果很差，一方面是因为当数据样本密度较小时，我们很难挖掘出数据之间存在的内在结构关系；另一方面，高维数据中存在的冗余信息会对分析过程带来极大的干扰。此外，直接处理高维数据往往会导致算法具有过高的时间和空间复杂度。已有研究表明，高维数据通常都是嵌入在一个低维子空间中的。

论文阅读笔记（9）：加权稀疏子空间表示——子空间聚类、约束聚类和主动学习的统一框架

论文阅读笔记（9）：WEIGHTED SPARSE SUBSPACE REPRESENTATION——A UNIFIED FRAMEWORK FOR SUBSPACE CLUSTERING, CONSTRAINED CLUSTERING, AND ACTIVE LEARNING， 加权稀疏子空间表示——子空间聚类、约束聚类和主动学习的统一框架摘要 加权稀疏子空间表示——子空间聚类、约束聚类和主动学习的统一框架 摘要 在这项工作中，我们首先提出了一种新的基于谱的子空间聚类算法，该算法试图将每个点表示为几个相

稀疏子空间聚类（Sparse Subspace Clustering, SSC）

稀疏子空间聚类（Sparse Subspace Clustering, SSC）是一种处理高维数据的聚类方法，特别适用于当数据分布在多个低维子空间上的情况。SSC 利用了稀疏表示的概念来估计数据点之间的关系，并以此构建相似度矩阵，最终通过谱聚类技术将数据点分配到各自的子空间中。稀疏子空间聚类 (SSC)基本概念假设有一组数...

稀疏表示+子空间学习 （ICCV2011）

解读文献：L. Zhang, P. Zhu, Q. Hu and D. Zhang, “A Linear Subspace Learning Approach via Sparse Coding,” in ICCV 2011. 网址：http://www4.comp.polyu.edu.hk/~cslzhang/   做稀疏表示做的非常棒，很多发表的paper，都附有code，这魄力，不服不行哈

稀疏表示 字典学习

链接：稀疏表示（sparse representation）和字典学习 近十几年来，稀疏（sparsity）已经成为信号处理及其应用领域中处于第一位的概念之一。近来，研究人员又致力于过完备（overcomplete）信号表示的研究。这种表示不同于许多传统的表示。因为它能提供一个广阔范围的生成元素（atoms）。而冗余（redundant）信号表示的魅力正在于其能经济地（紧致）的表示一大类信号

基于人脸分割的稀疏子空间聚类：SSC_ADMM_v1.1代码解析

在机器学习的众多领域中，数据聚类一直是一个核心问题。稀疏子空间聚类（Sparse Subspace Clustering, SSC）方法，作为一种先进的聚类算法，近年来越来越受到关注。SSC的核心理念在于利用数据样本的内在低维结构，通过引入稀疏性约束，实现对高维数据的有效聚类分析。本章将从以下几个方面对SSC进行详细介绍：SSC的基本概念：介绍SSC的历史背景、定义及其核心思想。理论基础：探讨SSC算法背后的数学理论，包括稀疏表示和子空间概念。数据聚类中的重要性。

【论文阅读5】DeepSRC：深度稀疏表示分类（从SRC到DeepSRC）

本文解读了论文《Deep Sparse Representation-based Classification》的核心思想，该算法将深度学习与稀疏表示分类(SRC)相结合。传统SRC因线性假设在复杂数据中失效，而DeepSRC通过神经网络将非线性数据映射到线性特征空间，解决了这一问题。其核心在于三部分损失函数：重构损失保证特征完整性，预测误差强制特征空间线性化，稀疏约束保持SRC的判别性。实验表明，DeepSRC在小样本场景下表现优异，成功将传统SRC思想融入深度学习框架。这一研究展示了用新技术增强传统算法

Deep Sparse Subspace Clustering 翻译

Deep Sparse Subspace Clustering 翻译 文章下载：http://cn.arxiv.org/pdf/1709.08374 摘要： 在本文中，我们提出了稀疏子空间聚类的深度扩展，称为深度稀疏子空间聚类（DSSC）。 通过对学习的深度特征的单位球分布假设进行规范，DSSC可以通过同时满足SSC的稀疏性原理和神经网络给出的非线性来推断出新的数据亲和度矩阵。 DSSC带来...

MATLAB稀疏子空间聚类完整实现：含ADMM求解器、谱聚类与邻接图构建

一套开箱即用的MATLAB稀疏子空间聚类（SSC）工具集，专注解决高维数据中多个线性子空间结构的自动识别问题。核心是L1范数最小化建模的稀疏表示，配套两种ADMM求解器：admmLasso_mat_func.m用于常规场景，admmOutlier_mat_func.m支持含异常点的数据鲁棒处理。提供完整的后处理链条——SpectralClustering.m执行谱聚类，BuildAdjacency.m构建相似性邻接矩阵，thrC.m对系数矩阵做阈值截断，errorCoef.m评估稀疏表示误差，DataPro

稀疏编码（字典学习）

研究领域总结（一）：稀疏——字典学习 - aezero - 博客园 http://www.cnblogs.com/aezero/p/4823423.html Pre： 面试发现自己老讲不条理自己的研究工作，还是要先梳理下。鉴于motivation，本文是侧重结构化的15分钟talk draft，而非务求详尽。有兴趣的欢迎私下讨论。 Abstract： 本文主要介绍稀疏模型相关，侧重...

【论文阅读1】从稀疏到自适应：人脸识别中稀疏表示的核心演进

🏗️ 本博客是阅读完两篇文献：《Robust Face Recognition via Sparse Representation》和《Robust Face Recognition via Adaptive Sparse Representation》的整理。个人理解！

强化学习稀疏奖励问题的工程化解决方案全景

稀疏奖励是强化学习在真实场景落地的核心瓶颈，本质源于环境反馈信号的低频、延迟与高噪声特性。其原理在于标量奖励无法承载人类对‘过程正确性’的隐式判断，导致策略梯度消失或误导。技术价值体现在将不可观测任务目标转化为可观测学习信号，支撑智能体在无即时反馈下持续进化。典型应用场景涵盖机器人操作、金融交易、医疗手术等长周期、高精度、强约束领域。本文系统梳理HER、内在动机、课程学习与对比表征四大主线方案，聚焦如何从仿真到实机抑制性能衰减，并强调任务感知、物理可行性与状态鲁棒性三大工程关键。

HINT-SD：用后见之明自蒸馏解决长视野强化学习稀疏奖励难题

在强化学习中，稀疏奖励和信用分配是两大核心挑战，尤其在需要连续执行多步决策的长视野任务中，智能体难以将最终的成功与早期关键决策关联起来。其原理在于，传统的试错学习在奖励信号稀少时效率极低。为解决此问题，后见之明经验回放等技术被提出，通过‘事后’重新定义目标来增加成功经验。HINT-SD方法在此基础上进行了关键创新，它引入了‘目标指令’和‘自蒸馏’机制。该方法通过一个指令生成网络自动分析失败轨迹，识别出影响全局的关键决策点，并生成针对性的改进子目标。随后，在一个教师-学生框架内，让学生策略通过蒸馏损失，专门学

论文阅读笔记（6）：重读S2ConvSCN

论文阅读笔记（6）：Self-Supervised Convolutional Subspace Clustering Network，自监督卷积聚类网前言摘要1 简介模型贡献2 相关工作2.1 在原始空间的聚类2.2 在Feature space的子空间聚类潜在特征空间显式特征空间3 提出模型3.1 公式特征提取模块 前言 面试的时候囫囵吞枣的读以至于一知半解 现在重读一遍并记录新的见解。 摘要 从两方面进行论述： 基于数据自表达的子空间聚类方法在低维线性子空间的并合数据的学习中得到了广泛的应用。然而