الوصف
لقد اقترحنا طريقة RPCA جديدة من خلال نمذجة الضوضاء كتوزيع MoG ضمن إطار عمل Bayesian. مقارنة بأساليب RPCA الحالية ، والتي تفترض توزيع ضوضاء معين (على سبيل المثال ، ضوضاء Gaussian أو ضوضاء متفرقة) على البيانات ، يمكن لطريقتنا أداء مهمة RPCA في ظل ضوضاء أكثر تعقيدًا.
تم إثبات فعالية طريقتنا من خلال البيانات التركيبية ذات الضوضاء الاصطناعية ومن خلال مشاكل النمذجة والطرح الخلفية مع ضوضاء حقيقية.
تُظهر الطريقة المقترحة مزايا واضحة مقارنة بالطرق السابقة فيما يتعلق بقدرتها على الاسترداد الدقيق لهيكل الرتبة المنخفضة واستخراج تكوين الضوضاء متعدد الوسائط بشكل متقن من البيانات المرصودة.
من اليسار إلى اليمين: إطارات فيديو أصلية وخلفية مستخرجة بواسطة PCA و RPCA و BRPCA و VBRPCA و RegL1ALM و PRMF و MoG-RPCA. مناطق المقدمة تم ترسيمها لسهولة المقارنة.
خطأ إعادة الإعمار النسبي: 0.020855
المرتبة التقديرية: 5
ref :
Zhao, Qian, Deyu Meng, Zongben Xu, Wangmeng Zuo, and Lei Zhang. “Robust principal component analysis with complex noise.” In International Conference on Machine Learning, pp. 55-63. 2014.
تقليل الضوضاء للصور على مرحلتين عن طريق تحليل المكونات الرئيسية مع تجميع البكسل المحلي
المراجعات
لا توجد مراجعات بعد.