Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

22.11.2019 | Original Article | Ausgabe 6/2020

International Journal of Machine Learning and Cybernetics 6/2020

GRPCA21 for recovering a corrupted low-rank matrix

Zeitschrift:
International Journal of Machine Learning and Cybernetics > Ausgabe 6/2020
Autoren:
Lina Zhao, Xuke Hou, Hongwei Yang, Ji Li
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Robust principal component analysis (RPCA) based methods via decomposition into low-rank plus sparse matrices offer a wide range of applications for image processing, video processing and 3D computer vision. Most of the time the observed imagery data is often arbitrarily corrupted by anything such as large sparse noise, small dense noise and other unknown fraction, which we call mixed noise in this paper. However, low rank matrix recovery by RPCA is born for the existence of large sparse noise, so its performance and applicability are limited in the presence of mixed noise. In this paper, a generalized robust principal component analysis with norm \(l_{2,1}\) model is proposed to solve the problem of low-rank matrix recovery under mixed large sparse noise and small dense noise. The corrupted matrix is written as a combination that minimizes the nuclear norm, the 1-norm and the norm \(l_{2,1}\), which has high efficiency, flexibility and robustness for low rank matrix recovery from mixed noise. Then a novel and efficient algorithm called random permutation alternative direction of multiplier method is applied to solve the model. Experiments with simulations and real datasets demonstrate efficiency and robustness of this model and algorithm.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 6/2020

International Journal of Machine Learning and Cybernetics 6/2020 Zur Ausgabe