CN109993199B - 一种针对高阶张量数据的处理方法 - Google Patents
一种针对高阶张量数据的处理方法 Download PDFInfo
- Publication number
- CN109993199B CN109993199B CN201910022095.XA CN201910022095A CN109993199B CN 109993199 B CN109993199 B CN 109993199B CN 201910022095 A CN201910022095 A CN 201910022095A CN 109993199 B CN109993199 B CN 109993199B
- Authority
- CN
- China
- Prior art keywords
- tensor
- samples
- order
- sample
- tensor data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
公开一种针对高阶张量数据的处理方法,其能够避免了图像观测样本集向量化过程破坏数据的内部结构,灵活而且简单,可以提取出张量样本的判别性特征,简化了图像观测样本集中高阶张量数据存在的大量冗余信息,提高了图像处理速度。这种针对高阶张量数据的处理方法,将高阶张量数据分解为三部分:共享子空间成分、个性子空间成分以及噪声部分;共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合;利用变分EM方法求解基底张量和向量系数;通过比较样本的边缘分布设计分类器对待测样本进行分类。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种针对高阶张量数据的处理方法,其主要用于视频序列、RGB-D 序列等数据的处理。
背景技术
随着科技的发展, 高阶张量数据大量涌现, 如视频序列, RGB-D 序列等。由于高阶张量数据中常常存在大量的冗余信息, 所以对数据进行分析之前常常需要对其提取特征或降维。
传统的降维方式是将张量数据向量化, 然后采用向量的降维方法, 而向量化过程会破坏数据的结构关系, 无法利用高阶张量数据的内部结构。另外, 对于高阶张量常用的两种降维方法是 CandeComp/ PARAFAC(CP)分解和 Tucker分解。CP 分解提取的特征维度是由 CP 分解的秩确定的, 不具有灵活性。Tucker 分解对测试样本提取特征较为复杂,因此, 它更多的适用于聚类而不是分类。
发明内容
为克服现有技术的缺陷,本发明要解决的技术问题是提供了一种针对高阶张量数据的处理方法,其能够避免了图像观测样本集向量化过程破坏数据的内部结构,灵活而且简单,可以提取出张量样本的判别性特征,简化了图像观测样本集中高阶张量数据存在的大量冗余信息,提高了图像处理速度。
本发明的技术方案是:这种针对高阶张量数据的处理方法,将高阶张量数据分解为三部分:共享子空间成分、个性子空间成分以及噪声部分;共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合;利用变分EM方法求解基底张量和向量系数;通过比较样本的边缘分布设计分类器对待测样本进行分类。
本发明与传统的线性判别方法相比,直接作用在张量数据上从两个空间中分别提取共性特征和个性特征,在每个空间中,利用张量的结构特点,构造一种张量数据到向量数据的表示方式,从而提取出张量样本的判别性特征,因此能够避免了图像观测样本集向量化过程破坏数据的内部结构,灵活而且简单,简化了图像观测样本集中高阶张量数据存在的大量冗余信息,提高了图像处理速度。
附图说明
图1是根据本发明的公式(1)的示意图。
图2是根据本发明的同一类的样本分享同一个身份变量的示意图。
图3展示了扩展耶鲁库上本发明的重构的视觉效果。
图4展示了AR数据库上本发明的重构结果。
具体实施方式
如图1所示,这种针对高阶张量数据的处理方法,将高阶张量数据分解为三部分:共享子空间成分、个性子空间成分以及噪声部分;共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合;利用变分EM方法求解基底张量和向量系数;通过比较样本的边缘分布设计分类器对待测样本进行分类。
本发明与传统的线性判别方法相比,直接作用在张量数据上从两个空间中分别提取共性特征和个性特征,在每个空间中,利用张量的结构特点,构造一种张量数据到向量数据的表示方式,从而提取出张量样本的判别性特征,因此能够避免了图像观测样本集向量化过程破坏数据的内部结构,灵活而且简单,简化了图像观测样本集中高阶张量数据存在的大量冗余信息,提高了图像处理速度。
优选地,二维模型为:
其中,以及是张量数据的线性表示,其中系数为向量, 以及分别为共享子空间和个体子空间中的基矩阵组成的张量,×3表示的是张量和矩阵的乘积,表示第i类物体中的所有样本在共享子空间中的系数表示,表示第i类物体中的第j个样本在个体空间中的系数,表示所有样本的均值矩阵,假设均值矩阵为零矩阵,表示随机噪声,其每个元素满足正态分布。
优选地,模型(1)向量为公式(2)
每个样本是M阶的张量,高阶张量的线性判别分析模型为公式(4)
其中,
其中,
优选地,Y1与Yp属于同一类别,则他们共享相同的h1,在这种情况下,观测集和待测样本的似然函数记为,Yp与Y2是属于同一类,则他们共享相同的h2,此时的似然函数记作;比较和,找到其中最大的值,这样,Yp就属于最大值对应样本的标签;似然函数的计算如下所示:
记作,
假设
以下更详细地说明本发明。
本发明采用的技术方案为一种基于张量数据向量表达的概率线性判别分析方法,该方法的具体实施过程如下:
二维模型构建
该模型中,以及可以看成是张量数据的线性表示,其中系数为向量,如图1所示。以及分别为共享子空间和个体子空间中的基矩阵组成的张量。表示的是张量和矩阵的乘积。表示第i类物体中的所有样本在共享子空间中的系数表示。表示第i类物体中的第j个样本在个体空间中的系数。表示所有样本的均值矩阵,一般情况下,假设均值矩阵为零矩阵。表示随机噪声,其每个元素满足正态分布。
为了生成贝叶斯模型,进一步假设隐变量满足多变量的正态分布,
模型(1)可以向量为下式,
其中矩阵和中的列以及分别为张量和的第k1,k2个面。因此,该模型就转化为传统的概率线性判别分析。然而,一个主要的问题是模型中的参数会随着原始数据的增加而增大。例如,对于N阶张量样本数据,投影张量和是分别含有和个自由参数的阶张量。当维度,以及N比较大时,投影基底中的自由参数的个数很容易达到百万级别。这使得参数的学习变得更加困难。为了解决这个问题,利用张量的CP分解来对基底张量进行限制,即假设,
模型的求解
因此,样本的似然函数为,
进而,可以利用变分EM算法对模型进行求解。
1) 变分E步:在E步中,固定模型中的参数,更新所有隐变量的后验分布。
其中,
模型(1)可以重新写作下式,
其中,
其中,
其中,
以及
3) 全局算法:整体变分EM算法是通过迭代E步和M步完成的。E步,固定所有参数,更新隐变量的后验分布;M步,固定隐变量的后验分布,更新参数。E步和M步交替迭代,直到满足终止条件。
当重构误差足够小,或者迭代步数超过一定值,迭代终止。
高维模型构建
每个样本是M阶的张量,因此,高阶张量的线性判别分析模型为,
高维模型算法的求解
其中,
其中,
识别分类器
给定待分类的样本,通过计算似然函数值来对该样本进行分类。分类的关键是同一类的样本分享同一个身份变量。给定训练样本集,如果与某个样本Yi属于同一类,那么他们有共同的。例如图2所示,左边的子图说明Y1与Yp属于同一类别,则他们共享相同的h1,在这种情况下,观测集和待测样本的似然函数记为,图2中右边的子图说明Yp与Y2是属于同一类,则他们共享相同的h2。此时的似然函数记作。比较和,找到其中最大的值,这样,Yp就属于最大值对应样本的标签。似然函数的计算如下所示。
或者,上式可以重新记作,
假设,
本发明的实验效果
重构实验:重构的实验主要涉及一下两个数据库
1) 扩展耶鲁人脸数据库
(http://vision.ucsd.edu/content/yale-face-database)
扩展耶鲁数据库中共包含38个人的2414张图像,每个人都有59-64幅图像,重构实验中,随机选取每个人的40幅图像做训练,剩下的图像做测试,所有图像都被才见到32*32的大小。
表1列出了本发明与传统方法PLDA方法的对比结果,其中包括投影的自由参数数目、重构结果以及识别率。两种方法中,降维后的维度为K1=38,K2=50。列表中重构误差的值越大,表示重构的效果越好。所有实验运行10次,记录识别的平均值和方差。本发明中的方法TPLDA共做了三次测试,分别为:R1=R2=170,200,250。从实验结果可以看出,当使用较少的参数时,本方法取得与传统方法相当的识别结果。
表1
图3展示了扩展耶鲁库上的本发明的重构的视觉效果。第一行是12幅原始的图像,第二行是由重构的共享子空间中的图像,由于它表示的人的身份信息,所以相同的人对应的图像是相同的。第三行是重构的图像。可以看出,该空间图像可以重构出更多的细节信息。
2) AR人脸数据库
(http://rvl1.ecn.purdue.edu/aleix/aleix_face_DB.html)
AR数据库总共包含126个人的4000多幅彩色图像,所有图像都发生表情、光照和遮挡的变化。每个人包含26幅图像,其中前13幅图像是在同一时间段采集的,后13幅图像是在两周之后采集的。所有的彩色图像都被灰度化处理后下采样到70*60大小。实验中,选取100个人做测试,这些人的前13幅图像用来训练,后13幅图像做测试。
表2列出了本方法与传统PLDA方法的对比结果,其中降维后的维度为K1=100,K2=100。该实验中,测试了四种情况的结果,分别为:R1=R2=150,170,200,250。从该表中也可以看出,当参数的个数远远少于PLDA参数的个数时,识别结果高于传统方法。
表2
三维视频序列的识别分类
为了验证提出方法在视频序列上的有效性,测试了该方法在芭蕾舞数据库(Bellet database)上的聚类效果。该数据库共包含44段视频,这些视频是由3个人完成的8个复杂动作构成的。在该实验中,每段视频都被分解为包含12帧的图像集,从而共得到713个图像集。每个图像被看作是一个视频序列段进行训练。选取1/3的样本做训练集,剩下的图像集做测试。表3列出了六种方法的识别分类结果。所有方法降维后的维度分别为30,50和70。从该表可以看出,本方法TPLDA可以得到最高的识别结果。
表3
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (6)
1.一种针对高阶张量数据的处理方法,将高阶张量数据分解为三部分:共享子空间成分、个性子空间成分以及噪声部分;共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合;利用变分EM方法求解基底张量和向量系数;通过比较样本的边缘分布设计分类器对待测样本进行分类;
给定高阶观测集
每个样本是M阶的张量,高阶张量的线性判别分析模型为公式(4)
其特征在于:
对于高阶模型,利用变分EM算法进行求解,隐变量hi的后验分布仍是多变量的高斯分布,其均值和方差分别为,
其中,
其中,
并且有,
最优的Q*(ρ)仍是Gamma分布,
5.根据权利要求4所述的针对高阶张量数据的处理方法,其特征在于:给定待分类的样本Yp,通过计算似然函数值来对该样本进行分类,分类的关键是同一类的样本分享同一个身份变量,给定训练样本集Y1...N,如果Yp与某个样本Yi属于同一类,那么他们有共同的h。
6.根据权利要求5所述的针对高阶张量数据的处理方法,其特征在于:Y1与Yp属于同一类别,则他们共享相同的h1,在这种情况下,观测集和待测样本的似然函数记为p1(Y1,Y2,Yp),Yp与Y2是属于同一类,则他们共享相同的h2,此时的似然函数记作p2(Y1,Y2,Yp);比较p1和p2,找到其中最大的值,这样,Yp就属于最大值对应样本的标签;似然函数的计算如下所示:
由于Yij属于矩阵高斯分布,通过计算p(yij)取代计算p(Yij),记作yij:=vec(Yij),将公式(1)重新写为
yij=Fhi+Wgij+eij
其中F=(F(2)⊙F(1))F(h)T以及W=(W(2)⊙W(1))W(g)T,测试阶段,这两个矩阵是已知的,这样,N个样本和测试样本的似然函数为,
接下来,计算n个共享相同身份变量h的样本y1…n的边缘分布,通过公式(5)进行计算,
记作,
y′=Az′+m′+e′
假设
公式(5)转化为概率主成分分析模型,观测集y′的边缘分布为
利用上式可以计算p(yi)和p(yp,yn),从而得到pn(y1,...,N,p),在这些值中找到最大的值,则Yp就属于pn(y1,...,N,p)中最大值对应样本的标签。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022095.XA CN109993199B (zh) | 2019-01-10 | 2019-01-10 | 一种针对高阶张量数据的处理方法 |
US16/709,947 US11106939B2 (en) | 2019-01-10 | 2019-12-11 | Processing method for high order tensor data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022095.XA CN109993199B (zh) | 2019-01-10 | 2019-01-10 | 一种针对高阶张量数据的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993199A CN109993199A (zh) | 2019-07-09 |
CN109993199B true CN109993199B (zh) | 2020-11-17 |
Family
ID=67129177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022095.XA Active CN109993199B (zh) | 2019-01-10 | 2019-01-10 | 一种针对高阶张量数据的处理方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11106939B2 (zh) |
CN (1) | CN109993199B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032553A (zh) * | 2019-12-09 | 2021-06-25 | 富士通株式会社 | 信息处理装置和信息处理方法 |
KR20210136476A (ko) * | 2020-05-07 | 2021-11-17 | 삼성전자주식회사 | 쿼드 트리 방법의 파라미터들을 이용하여 압축하는 장치 및 방법 |
CN112182543B (zh) * | 2020-10-14 | 2024-04-30 | 桂林电子科技大学 | 一种视觉密码方法 |
CN112269172B (zh) * | 2020-10-14 | 2024-03-08 | 中国人民解放军空军工程大学 | 一种基于张量结构的嵌套mimo雷达角度估计方法和装置 |
CN116738214B (zh) * | 2023-08-03 | 2023-11-14 | 石家庄学院 | 一种基于高阶张量的数据降维预处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389343A (zh) * | 2015-10-23 | 2016-03-09 | 北京工业大学 | 一种向量化降维方法 |
CN107064892A (zh) * | 2016-11-11 | 2017-08-18 | 长江大学 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822693B2 (en) * | 2001-12-06 | 2010-10-26 | New York University | Logic arrangement, data structure, system and method for multilinear representation of multimodal data ensembles for synthesis, recognition and compression |
US7936906B2 (en) * | 2007-06-15 | 2011-05-03 | Microsoft Corporation | Face recognition using discriminatively trained orthogonal tensor projections |
JP5178662B2 (ja) * | 2009-07-31 | 2013-04-10 | 富士フイルム株式会社 | 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム |
-
2019
- 2019-01-10 CN CN201910022095.XA patent/CN109993199B/zh active Active
- 2019-12-11 US US16/709,947 patent/US11106939B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389343A (zh) * | 2015-10-23 | 2016-03-09 | 北京工业大学 | 一种向量化降维方法 |
CN107064892A (zh) * | 2016-11-11 | 2017-08-18 | 长江大学 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
Non-Patent Citations (2)
Title |
---|
"Mining Labelled Tensors by Discovering both their Common and Discriminative Subspaces";Wei Liu etc.;《knowledgecenter.siam.org》;20131231;论文第3.1-4节 * |
"Vectorial Dimension Reduction for Tensors Based on Bayesian Inference";Fujiao Ju etc.;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20181010;论文第2-4节 * |
Also Published As
Publication number | Publication date |
---|---|
US20200226417A1 (en) | 2020-07-16 |
CN109993199A (zh) | 2019-07-09 |
US11106939B2 (en) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993199B (zh) | 一种针对高阶张量数据的处理方法 | |
Zhao et al. | On similarity preserving feature selection | |
Yan et al. | Ranking with uncertain labels | |
Bradley et al. | Differential sparse coding | |
Zhou et al. | Double shrinking sparse dimension reduction | |
CN105389343B (zh) | 一种向量化降维方法 | |
CN107832786B (zh) | 一种基于字典学习的人脸识别分类方法 | |
CN108021950B (zh) | 基于低秩稀疏表示的图像分类方法 | |
CN109993208B (zh) | 一种有噪声图像的聚类处理方法 | |
CN112528928A (zh) | 一种基于自注意力深度网络的商品识别方法 | |
Liu et al. | Bilinear discriminative dictionary learning for face recognition | |
Kong et al. | Probabilistic low-rank multitask learning | |
CN107480636A (zh) | 基于核非负矩阵分解的人脸识别方法、系统及存储介质 | |
CN111723759B (zh) | 基于加权张量稀疏图映射的非约束人脸识别方法 | |
Launay et al. | Exact sampling of determinantal point processes without eigendecomposition | |
CN113158861A (zh) | 一种基于原型对比学习的运动分析方法 | |
Chao et al. | Supervised nonnegative matrix factorization to predict ICU mortality risk | |
Liu et al. | Discriminant common vectors versus neighbourhood components analysis and Laplacianfaces: A comparative study in small sample size problem | |
Zhou et al. | Personalized and occupational-aware age progression by generative adversarial networks | |
Lopes et al. | Non-negative matrix factorization (NMF) | |
Ju et al. | Vectorial dimension reduction for tensors based on Bayesian inference | |
Yan et al. | A parameter-free framework for general supervised subspace learning | |
Ju et al. | Kronecker-decomposable robust probabilistic tensor discriminant analysis | |
Lee et al. | Incremental $ n $-mode SVD for large-scale multilinear generative models | |
CN116522143B (zh) | 模型训练方法、聚类方法、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |