संरचना-सीमित लो-रैंक प्रतिनिधित्व

उपस्थान विभाजन में अपनी प्रभावकारिता से लाभ उठाते हुए, लो-रैंक प्रतिनिधित्व (LRR) और इसके रूपांतरों के कंप्यूटर दृष्टि और पैटर्न पहचान में कई आवेदन हैं, जैसे गति विभाजन, छवि विभाजन, महत्वपूर्णता पहचान, और सेमी-सुपरवाइज्ड लर्निंग। यह ज्ञात है कि मानक LRR केवल उस परिकल्पना के तहत अच्छे से काम कर सकता है कि सभी उपस्थान स्वतंत्र हैं। हालाँकि, वास्तविक दुनिया की समस्याओं में इस परिकल्पना की गारंटी नहीं दी जा सकती। यह पेपर इस समस्या का समाधान करता है और LRR का एक विस्तार प्रस्तुत करता है, जिसे संरचना-सीमित LRR (SC-LRR) कहा जाता है, जो कई असंपृक्त उपस्थान की संरचना का विश्लेषण करता है, जो वास्तविक दृष्टि डेटा के लिए अधिक सामान्य है। हम साबित करते हैं कि कई रैखिक असंपृक्त उपस्थान का संबंध SC-LRR द्वारा ठीक से प्रकट किया जा सकता है, एक पूर्व निर्धारित वजन मैट्रिक्स के साथ। एक गैर-तुच्छ उपोत्पाद के रूप में, हम यह भी दिखाते हैं कि SC-LRR को सेमी-सुपरवाइज्ड लर्निंग के लिए लागू किया जा सकता है। विभिन्न प्रकार की दृष्टि समस्याओं पर प्रयोगात्मक परिणाम हमारे प्रस्तावित विधि की प्रभावशीलता को प्रदर्शित करते हैं।