摘要： 在求解反问题时，正则化技术的作用非常大。对于大多数优化问题，基本都使用了正则化方法。但是什么是正则化？却没有一个概念性的定义。解释性的定义如下：对于线性方程Ax=b，当解x不存在或者解不唯一时，就是所谓的病态问题(ill-posed problem). 但是在很多时候，我们需要对病态问题求解，那怎么做？对于解不存在的情况，解决办法是增加一些条件找一个近似解；对于解不唯一的情况，解决办法是增加一些限制缩小解的范围。这种通过增加条件或限制要求求解病态问题的方法就是正则化方法。正则化的英文是regularization，即规则化，调整。通过一些调整或者其他办法，使病态问题也能得到唯一解。在这个调整的 阅读全文

摘要： Xiao-Xin Li, Dao-Qing Dai, Xiao-Fei Zhang, Chuan-Xian Ren, "Structured Sparse Error Coding for FaceRecognition With Occlusion", IEEE Trans. on Image Processing, vol. 22, no. 5, 2013.这也是一篇处理有遮挡情况下的文章。 阅读全文

摘要： Meng Yang, Lei Zhang, "Gabor feature based sparse representation for face recognition with gabor occlusion dictionary", ECCV, 2010.这不是一篇新文章。最近在思考对于有噪声和有遮挡的图像，如何更好的表示这些噪声和遮挡的信息？但是，对于高噪声的图像信息，大部分的有效信息已经被破坏了，并且被噪声占据。此时，为了表示带有高噪声的数据而去表示这些噪声信息，这种想法又觉得不对。对带有干扰信息的数据进行表示时，是应该先恢复还是应该一块表示。这篇文章是学习了一个 阅读全文

摘要： 最先提出将稀疏表示用于人脸识别的文章，又重新看了一下，重点关注了对于噪声和遮挡的处理，记录一下。因为假设了噪声e0是个稀疏向量，才能将噪声情况统一到SRC的框架下。并且对e0的稀疏程度进行了分析。结论是：当噪声或者遮挡损坏的像素信息低于50%左右的时候，改方法才能保证得到稀疏解。这也解释了为什么当噪声高于50%时，该方法的效果不好。当用L1-norn进行限制时，这个比例还会被缩小。另外，在判别类别的时候也所有改变：另外，对于有遮挡的情况，文中使用的分块投票的策略，因为用全局的话结果特别不好。 阅读全文

摘要： 昨天的百度校招笔试考了卷积神经网络（CNN）我实在是太笨啦，baidu的深度学习搞的那么热火朝天，应该猜到会考这方面的内容的。太久没考试，以前练就的猜题本领都退化了。 阅读全文

摘要： Angshul Majumdar *, Rabab K. Ward, "Improved Group Sparse Classifier", Pattern Recognition Letters, Volume 31, Issue 13, pp.1959-1964, 2010.这篇文章和上一篇是同作者。目标函数为：重点是优化方法，文中利用 Iterative Reweighted Least Squares method。利用以上两个近似方法，目标函数变化为： 阅读全文

摘要： Majumdar,A., Ward, R. K, "Classification via Group Sparsity Promoting Regularization",IEEE International Conference onAcoustics, Speech and Signal Processing, pp.861-864, 2009. ICASSP 2009.文中主要是为了引出group sparsity的regularization方法，使用两个新的regularization，具体如下：1、Elastic Net2、group sparsity两个正则项 阅读全文

摘要： Junzhou HuangandTong Zhang，"The Benefit of Group Sparsity", Ann. Statist.Volume 38, Number 4 (2010), 1978-2004.作者从理论上了分析了group lasso和lasso的性能情况，分析了在何种条件下group lasso可以得到更好的结果。 Group Lasso is more robust to noise due to the stability associated with group structure. Group Lasso requires a 阅读全文

摘要： 2011 CVPR E. Elhamifar and R. Vidal, 《Robust classification using structured sparse representation》. 阅读全文

摘要： 2011 CVPR Meng Yang 的文章《Robust Sparse Coding for Face Recognition》。回顾这篇文章是因为和昨天在看的同作者的文章实在太像了，差别只在目标函数正则项中对于系数α的限制不同。我好像有点理解了为什么就算再简单的目标函数也要经过各种近似，迭代，概率统计推理等一系列看得云里雾里的理论铺垫才能给出。因为给出目标函数并不是目的，目的是给你单薄的目标函数穿上华丽的衣服，是告诉别人你的衣服用了什么材料，设计了怎样的款式才能使你的目标函数穿上后变得丰满。这好像和我们从小就培养的归纳概括，提炼中心思想的能力不同。化简为繁比去繁留简更难。文中的实验做了遮 阅读全文