CN107016649A - 一种基于局部低秩张量估计的视觉数据补全方法 - Google Patents
一种基于局部低秩张量估计的视觉数据补全方法 Download PDFInfo
- Publication number
- CN107016649A CN107016649A CN201710102313.1A CN201710102313A CN107016649A CN 107016649 A CN107016649 A CN 107016649A CN 201710102313 A CN201710102313 A CN 201710102313A CN 107016649 A CN107016649 A CN 107016649A
- Authority
- CN
- China
- Prior art keywords
- tensor
- sub
- target
- data
- estimated based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 7
- 239000013256 coordination polymer Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 241001474033 Acar Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于局部低秩张量估计的视觉数据补全方法,包括以下步骤:1)获取待补全的原始视觉数据,并将原始视觉数据映射到大小为n1×n2×n3的三维张量空间上形成有缺失值的原始张量2)根据原始张量初始化目标张量使其满足其中,为目标张量中的非缺失值数据,为原始张量中的非缺失值数据,为目标张量中的缺失值数据,并且有重叠地将目标张量分解为ng个子张量Mij;3)分别对每个子张量Mij求解,使得其迹范数加权和最小化,最终得到目标张量的最优解;4)将目标张量的最优解转换为视觉数据的对应格式,得到最终的补全结果。与现有技术相比,本发明具有补全效果好、估计准确等优点。
Description
技术领域
本发明涉及一种视觉数据补全方法,尤其是涉及一种基于局部低秩张量估计的视觉数据补全方法。
背景技术
国外对于基于张量分解的缺失数据插补方法进行了广泛地研究,提出了一系列的算法。2005年,Tomasi等采用迭代的最小二乘法的思想,提出了一个基于张量的CP分解模型的具体的缺失张量插补算法,称为PARAFAC-ALS算法。但是,PARAFAC-ALS算法采用的是迭代和不断逼近的思路,收敛速度慢,当数据缺失比例较大时,甚至有可能完全不收敛,得出错误的插补结果。为了解决这个问题,Tomasi等还提出了PARAFAC-LM算法,利用非线性最小二乘的思想和CP分解模型,同样有效解决了缺失张量的插补问题,并被成功应用于化学领域。作者将这种算法同PARAFAC-ALS算法进行了比较,在插补效果上,它们几乎差不多,但是对于复杂数据,PARAFAC-LM算法效果更好。在运行时间上,PARAFAC-ALS算法通常速度更快,但是当缺失数据比例增大时,PARAFAC-LM算法的二次收敛特性使得其明显快于PARAFAC-ALS算法。但是,PARAFAC-LM算法仍然存在计算速度慢的问题,因为它在计算过程中,需要求误差函数的因子矩阵的二阶偏导数。当数据量很大时,PARAFAC-LM算法每一步迭代的代价都非常大,虽然收敛速度快,但是总体速度还是很慢。因此,PARAFAC-ALS算法和PARAFAC-LM算法只适合解决小规模张量的缺失数据插补问题。
2011年,Acar等提出了CP-WOPT算法,该算法利用CP分解模型和梯度优化的方法,有效解决了收敛和计算复杂度的问题。当张量为稠密的时,CP-WOPT算法只计算误差函数对因子矩阵变量的一阶偏导数,并且优先计算第一维数据对应的因子矩阵。这一点和PARAFAC-LM算法不同,PARAFAC-LM算法是基于二阶偏导数解决优化问题的,并且优先计算第二维数据对应的因子矩阵。稠密张量的CP-WOPT算法适合解决中小规模的缺失张量插补问题。针对大规模稀疏张量,CP-WOPT算法采用稀疏的张量表示法,可以解决大规模、高缺失比的张量插补问题,这也是CP-WOPT算法的一个优点,使得插补的灵活性更高。
国内对于基于张量的缺失数据插补算法的研究较少。2007年,黄应提出了两种改进的张量投票算法,并将其应用于图像修复,获得了更好的图像修复效果。2013年,王文娟对张量分解的插补算法进行了详细研究,根据CP分解模型重新定义了张量范数,作为张量秩约束的凸松弛。同时,她还证明了张量的n-模秩与张量插补的效果没有必然联系,主要还是取决于原始张量的秩。同年,刘园园对低秩矩阵和张量恢复进行了深入研究,提出了基于矩阵三分解的快速核范数最小化框架、矩阵双分解核范数正则的线性化框架,并进行了推广和应用。为了解决张量核范数最小化问题计算复杂度过高的问题,刘园园还提出了一种新的CP分解模型计算方法,并应用于缺失张量的插补问题。
以上方法均为利用张量数据全局结构信息对缺失值进行估计,而忽视了真实视觉数据中局部高相关性的特性,因此丢失了局部结构信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种补全效果好、估计准确的基于局部低秩张量估计的视觉数据补全方法。
本发明的目的可以通过以下技术方案来实现:
1.一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,包括以下步骤:
1)获取待补全的原始视觉数据,并将原始视觉数据映射到大小为n1×n2×n3的三维张量空间上形成有缺失值的原始张量
2)根据原始张量初始化目标张量使其满足其中,为目标张量中的非缺失值数据,为原始张量中的非缺失值数据,为目标张量中的缺失值数据,并且有重叠地将目标张量分解为ng个子张量Mij;
3)分别对每个子张量Mij求解,使得其迹范数加权和最小化,最终得到目标张量的最优解;
4)将目标张量的最优解转换为视觉数据的对应格式,得到最终的补全结果。
2.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤2)中,有重叠的分解为子张量Mij的具体分解方法为:
21)确定每个子张量的大小为l1×l2×l3,且满足条件(ng*l1)>n1||(ng*l2)>n2||(ng*l3)>n3;
22)初始化第i个子张量对应的元素索引集合Ωi为全零,其大小为n1×n2×n3;
23)按长宽高将Ωi中连续的l1×l2×l3个元素索引置为1,用以标记子张量的元素位置。
3.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤22和23)中,确保元素索引集合Ωi,1≤i≤ng,覆盖全部n1×n2×n3个元素,且索引集合Ωi相互之间有所重叠。
4.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤3)中,迹范数加权和最小化的目标函数和约束条件为:
其中,αj为第j维度上的权重参数,为子张量的迹范数,为对应子张量的全部元素,i为第i个子张量,j为维度上的索引。
5.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的迹范数表示为子张量各个展开矩阵的迹范数权重和,局部低秩张量估计方法表示为子张量的迹范数权重和最小化方法。又因张量迹范数的可定义为各展开矩阵的权重和,因此该方法又表示为子张量各个展开矩阵的迹范数权重和。
6.根据权利要求4所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤3)中,采用增广拉格朗日方法引入辅助张量方法和交替方向乘子方法求解目标函数。
与现有技术相比,本发明具有以下优点:
一、有重叠地分解张量数据:本方法通过将张量分数据有重叠地分解为多个子张量,使得每个数据元素都得以从多于一个方向上被低秩估计约束,多于一个方向的约束指,对含有某个数据元素的若干个子张量都进行了低秩估计,以确保元素与其周围不同方向的元素具有高相关性,因此能够取得优于已有的张量数据补全方法的效果。
二、以子张量的迹范数加权和最小化为目标函数求解:由于对重叠的子张量进行低秩估计可以得到缺失元素的若干个值,本方法以子张量迹范数的加权和最小化为目标函数,以保证缺失元素在不同子张量中都取得合理值,再对这些取值求加权平均,最终使缺失元素的估计值得到平衡。
附图说明
图1为将有缺失值的张量数据有重叠地分解为个子张量的过程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例:
本发明基于局部低秩张量估计的视觉数据补全方法具体的实施步骤包含:
(1)获取视觉数据,并将其存储为有缺失值的张量数据形式取目标张量Ω为非缺失值数据的坐标集合。
(2)将目标张量有重叠地分解为ng个子张量且有Ωi对应按行列高抽取子张量元素的坐标,如图1所示,图为将有缺失值的张量数据有重叠地分解为个子张量的过程,其中,目标张量被分解为n个子张量这些子张量所包含的元素相互有所重叠,本方法对每个子张量分别进行矩阵展开,并进行低秩估计,以求解目标张量中的缺失元素值,其具体步骤为:
21)确定子张量的大小为l1×l2×l3,以满足条件(ng*l1)>n1||(ng*l2)>n2||(ng*l3)>n3;
22)初始化第i个子张量的元素索引集合Ωi为全零,大小为n1×n2×n3;
23)按长宽高将Ωi中连续的l1×l2×l3个元素索引置为1,以标记子张量的元素位置。
24)所述的步骤22)和23)中,应确保ng元素索引集合Ωi,1≤i≤ng,覆盖全部n1×n2×n3个元素,且索引集合Ωi相互之间有所重叠。
(3)对每个子张量求使得其迹范数加权和最小化的解,其中张量迹范数表示为张量各个展开矩阵的核范数对权重和,得到目标函数如下:
(4)对所述步骤3中的低秩张量估计目标函数,通过增广拉格朗日方法引入辅助张量求解:
(5)对所述步骤4中的增广拉格朗日函数,通过交替方向乘子方法(ADMM)进行交替优化求解:
(51)固定优化
定义和大小相同的张量以及 中任意一项(i,j,k)定义如下:
其中,为指示函数,里面的项为真时(就是Ωl包含(i,j,k)时)返回,反之则返回0。则定义为
基于以上定义,优化的最优解为:
上式中,⊙代表按位点乘。
(52)固定优化
容易看出在上式中,的优化是可以独立进行的,因此我们只需求解:
其最优解为:
(6)交替优化结果在迭代中必然收敛,当结果变化趋于稳定时则停止迭代,所得到对目标张量即为低秩估计最终结果,最后将目标张量转换为视觉数据源对应格式,则得到最终的补全结果。
Claims (6)
1.一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,包括以下步骤:
1)获取待补全的原始视觉数据,并将原始视觉数据映射到大小为n1×n2×n3的三维张量空间上形成有缺失值的原始张量
2)根据原始张量初始化目标张量使其满足其中,为目标张量中的非缺失值数据,为原始张量中的非缺失值数据,为目标张量中的缺失值数据,并且有重叠地将目标张量分解为ng个子张量Mij;
3)分别对每个子张量Mij求解,使得其迹范数加权和最小化,最终得到目标张量的最优解;
4)将目标张量的最优解转换为视觉数据的对应格式,得到最终的补全结果。
2.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤2)中,有重叠的分解为子张量Mij的具体分解方法为:
21)确定每个子张量的大小为l1×l2×l3,且满足条件(ng*l1)>n1||(ng*l2)>n2||(ng*l3)>n3;
22)初始化第i个子张量对应的元素索引集合Ωi为全零,其大小为n1×n2×n3;
23)按长宽高将Ωi中连续的l1×l2×l3个元素索引置为1,用以标记子张量的元素位置。
3.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤22和23)中,元素索引集合Ωi覆盖全部n1×n2×n3个元素,且索引集合Ωi相互之间有所重叠。
4.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤3)中,迹范数加权和最小化的目标函数和约束条件为:
其中,αj为第j维度上的权重参数,为子张量的迹范数,为对应子张量的全部元素,i为第i个子张量,j为维度上的索引。
5.根据权利要求1所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的迹范数表示为子张量各个展开矩阵的迹范数权重和。
6.根据权利要求4所述的一种基于局部低秩张量估计的视觉数据补全方法,其特征在于,所述的步骤3)中,采用增广拉格朗日方法引入辅助张量方法和交替方向乘子方法求解目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102313.1A CN107016649A (zh) | 2017-02-24 | 2017-02-24 | 一种基于局部低秩张量估计的视觉数据补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102313.1A CN107016649A (zh) | 2017-02-24 | 2017-02-24 | 一种基于局部低秩张量估计的视觉数据补全方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107016649A true CN107016649A (zh) | 2017-08-04 |
Family
ID=59440516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710102313.1A Pending CN107016649A (zh) | 2017-02-24 | 2017-02-24 | 一种基于局部低秩张量估计的视觉数据补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016649A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992536A (zh) * | 2017-11-23 | 2018-05-04 | 中山大学 | 基于张量分解的城市交通缺失数据填补方法 |
CN108765517A (zh) * | 2018-04-18 | 2018-11-06 | 天津大学 | 一种基于凸优化的多张量视觉数据填充方法 |
CN109658362A (zh) * | 2018-12-30 | 2019-04-19 | 东北大学秦皇岛分校 | 基于Capped核范数的三维张量补全方法 |
CN109886884A (zh) * | 2019-01-21 | 2019-06-14 | 长沙理工大学 | 一种基于限定核范数的低秩张量估计的视觉数据补全方法 |
CN110717550A (zh) * | 2019-10-18 | 2020-01-21 | 山东大学 | 一种基于多模态图像缺失补全的分类方法 |
CN110751599A (zh) * | 2019-05-29 | 2020-02-04 | 长沙理工大学 | 一种基于截断核范数的视觉张量数据补全方法 |
CN111161366A (zh) * | 2019-12-11 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 一种图像重建方法、装置、终端设备及存储介质 |
CN111325697A (zh) * | 2020-03-04 | 2020-06-23 | 西安交通大学 | 一种基于张量本征变换的彩色图像修复方法 |
CN111597440A (zh) * | 2020-05-06 | 2020-08-28 | 上海理工大学 | 一种基于内在加权矩阵三分解低秩近似的推荐系统信息估计方法 |
CN112116532A (zh) * | 2020-08-04 | 2020-12-22 | 西安交通大学 | 一种基于张量块循环展开的彩色图像补全方法 |
WO2021114143A1 (zh) * | 2019-12-11 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种图像重建方法、装置、终端设备及存储介质 |
CN112988760A (zh) * | 2021-04-27 | 2021-06-18 | 北京航空航天大学 | 一种基于张量分解的交通时空大数据缺失补全方法 |
CN116450636A (zh) * | 2023-06-20 | 2023-07-18 | 石家庄学院 | 基于低秩张量分解的物联网数据补全方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429673A (zh) * | 2015-10-29 | 2016-03-23 | 电子科技大学 | 基于张量低秩分解的长码ds-cdma信号盲分离方法 |
-
2017
- 2017-02-24 CN CN201710102313.1A patent/CN107016649A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429673A (zh) * | 2015-10-29 | 2016-03-23 | 电子科技大学 | 基于张量低秩分解的长码ds-cdma信号盲分离方法 |
Non-Patent Citations (1)
Title |
---|
QING-YI LIU ET AL.: "Visual Data Completion via Local Sensitive Low Rank Tensor Learning", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992536B (zh) * | 2017-11-23 | 2020-10-30 | 中山大学 | 基于张量分解的城市交通缺失数据填补方法 |
CN107992536A (zh) * | 2017-11-23 | 2018-05-04 | 中山大学 | 基于张量分解的城市交通缺失数据填补方法 |
CN108765517A (zh) * | 2018-04-18 | 2018-11-06 | 天津大学 | 一种基于凸优化的多张量视觉数据填充方法 |
CN108765517B (zh) * | 2018-04-18 | 2022-09-02 | 天津大学 | 一种基于凸优化的多张量视觉数据填充方法 |
CN109658362A (zh) * | 2018-12-30 | 2019-04-19 | 东北大学秦皇岛分校 | 基于Capped核范数的三维张量补全方法 |
CN109658362B (zh) * | 2018-12-30 | 2023-09-05 | 东北大学秦皇岛分校 | 基于Capped核范数的数据恢复方法 |
CN109886884A (zh) * | 2019-01-21 | 2019-06-14 | 长沙理工大学 | 一种基于限定核范数的低秩张量估计的视觉数据补全方法 |
CN109886884B (zh) * | 2019-01-21 | 2023-09-01 | 长沙理工大学 | 一种基于限定核范数的低秩张量估计的视觉数据补全方法 |
CN110751599A (zh) * | 2019-05-29 | 2020-02-04 | 长沙理工大学 | 一种基于截断核范数的视觉张量数据补全方法 |
CN110751599B (zh) * | 2019-05-29 | 2022-08-05 | 长沙理工大学 | 一种基于截断核范数的视觉张量数据补全方法 |
CN110717550A (zh) * | 2019-10-18 | 2020-01-21 | 山东大学 | 一种基于多模态图像缺失补全的分类方法 |
WO2021114143A1 (zh) * | 2019-12-11 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种图像重建方法、装置、终端设备及存储介质 |
CN111161366A (zh) * | 2019-12-11 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 一种图像重建方法、装置、终端设备及存储介质 |
CN111325697A (zh) * | 2020-03-04 | 2020-06-23 | 西安交通大学 | 一种基于张量本征变换的彩色图像修复方法 |
CN111597440A (zh) * | 2020-05-06 | 2020-08-28 | 上海理工大学 | 一种基于内在加权矩阵三分解低秩近似的推荐系统信息估计方法 |
CN112116532A (zh) * | 2020-08-04 | 2020-12-22 | 西安交通大学 | 一种基于张量块循环展开的彩色图像补全方法 |
CN112116532B (zh) * | 2020-08-04 | 2022-07-12 | 西安交通大学 | 一种基于张量块循环展开的彩色图像补全方法 |
CN112988760A (zh) * | 2021-04-27 | 2021-06-18 | 北京航空航天大学 | 一种基于张量分解的交通时空大数据缺失补全方法 |
CN116450636A (zh) * | 2023-06-20 | 2023-07-18 | 石家庄学院 | 基于低秩张量分解的物联网数据补全方法、设备及介质 |
CN116450636B (zh) * | 2023-06-20 | 2023-08-18 | 石家庄学院 | 基于低秩张量分解的物联网数据补全方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016649A (zh) | 一种基于局部低秩张量估计的视觉数据补全方法 | |
Liu et al. | Tanet: Robust 3d object detection from point clouds with triple attention | |
Li et al. | An improved grey relational analysis approach for panel data clustering | |
US10394979B2 (en) | Method and device for elastic object deformation modeling | |
CN109784333A (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
Weinkauf et al. | Stable feature flow fields | |
CN110009674A (zh) | 基于无监督深度学习的单目图像景深实时计算方法 | |
CN104732057B (zh) | 用于在求解最优功率流中计算问题函数的系统和方法 | |
CN106971414A (zh) | 一种基于深度循环神经网络算法的三维动画生成方法 | |
CN106886980A (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
CN107871327A (zh) | 基于特征点线的单目相机位姿估计和优化方法及系统 | |
CN105224935A (zh) | 一种基于Android平台的实时人脸关键点定位方法 | |
Saini et al. | NURBS-based geometric inverse reconstruction of free-form shapes | |
CN103700091A (zh) | 基于多尺度低秩分解且结构信息敏感的图像显著性物体检测方法 | |
CN107492120A (zh) | 点云配准方法 | |
CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
CN109583100A (zh) | 一种基于ago-rvm的陀螺仪故障预测方法 | |
JP6109326B2 (ja) | 電力系統状態推定装置およびその電力系統状態推定方法 | |
Yang et al. | Generative wind power curve modeling via machine vision: a deep convolutional network method with data-synthesis-informed-training | |
CN106372440A (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN113888697A (zh) | 一种双手交互状态下的三维重建方法 | |
CN109359542A (zh) | 基于神经网络的车辆损伤级别的确定方法及终端设备 | |
CN104749625A (zh) | 一种基于正则化技术的地震数据倾角估计方法及装置 | |
CN108022308A (zh) | 一种基于三维人脸模型拟合的面部对齐方法 | |
CN107424122A (zh) | 一种大位移下形变辅助的图像插补方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |
|
RJ01 | Rejection of invention patent application after publication |