"Graph Regularized Sparse Coding for Image Representation"的demo_graphSC.m运行问题解决

最新推荐文章于 2022-10-29 22:04:58 发布

原创

最新推荐文章于 2022-10-29 22:04:58 发布 · 773 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

本文档针对'Miao Zheng等人2011年在IEEE TIP发表的'Graph Regularized Sparse Coding for Image Representation'文章的demo_graphSC.m运行中遇到的问题进行解答。问题包括：1. PCA匹配项错误，解决方案是修改demo_graphSC.m中的相关代码；2. fmincon错误，解决办法是在learn_basis.m函数中添加Algorithm选项设置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考文献

Miao Zheng, Jiajun Bu, Chun Chen, Can Wang, Lijun Zhang, Guang Qiu, Deng Cai, "Graph Regularized Sparse Coding for Image Representation", IEEE TIP 2011.

demo_graphSC.m

运行问题解决

问题1：找不到‘PCA’的完全匹配项（区分大小写）

解决1：将demo_graphSC.m中的

%options.ReducedDim = 64;
%eigvector = PCA(fea, options);
%newfea = fea*eigvector;
%newfea = NormalizeFea(newfea);

替换为

[pc,score,latent,tsquare] = pca(fea);
tran=pc(:,1:64);
newfea=score(:,1:64);

问题2：错误使用fmincon

解决2：打开learn_basis.m函数，

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ShallowAnomaly

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

文献学习(part71)--Graph Regularized Non-negative Matrix Factorization for Data Representation

小山羊的学习日志

06-18

756

学习笔记，仅供参考，有错必纠关键词：文章目录Graph Regularized Non-negative Matrix Factorization for Data Representation摘要IntroductionA Brief Review of NMFGraph Regularized Non-negative Matrix FactorizationThe Objective FunctionAn Algorithm Graph Regularized Non-negative Mat

文献记录(part92)--Graph regularized low-rank representation for submodule clustering

小山羊的学习日志

05-20

340

学习笔记，仅供参考，有错必纠关键词:聚类；内核方法；流形正则化；子模块聚类；张量核范数；自由子模的并集 Graph regularized low-rank representation for submodule clustering 摘要本文提出了一种新的成像数据子模块聚类方法。与大多数先将数据转换成向量作为预处理的现有聚类方法不同，所提出的方法将数据样本排列成三阶张量的横向切片。我们的算法基于union-of-free-submodules模型，样本在三阶张量空间中用t-product表示。

1 条评论您还未登录，请先登录后发表或查看评论

graph regularized robust BLS (GRBLS)的复现

qq_44217221的博客

06-13

659

GRBLS的思路： The aforementioned BLS models are based on the mean square error (MSE) criterion to fit the approximation errors [23]. In fact, MSE aims to measure the sum of quadratic loss of data, and the approximation results would skew to the data with lar

图神经网络阅读(二十二)Rethinking Graph Regularization for Graph Neural Networks，AAAI2021

qq_36618444的博客

02-05

1246

本文的作者来自香港中文大学。本文证明了图拉普拉斯正则化对现有GNN的好处很少甚至没有，并提出了一种简单但图拉普拉斯正则化变体，称为传播正则化(P-reg)，以提高现有GNN模型的性能。本文的模型十分简单，就是公式定理比较复杂，GNN的相关背景略。 Propagation-Regularization（P-Reg）首先，模型对图输入使用两层GCN（表示成f1f_1f1）的到输出Z∈RN×CZ∈R^{N×C}Z∈RN×C。之后对ZZZ继续进行操作得到Z′=A^ZZ'=\hat{A}ZZ′=A^Z，本质上

《GraphSC: Parallel Secure Computation Made Easy》论文阅读笔记

weixin_51250102的博客

10-29

937

图并行安全计算框架

非负矩阵分解(NMF)相关文献

03-10

3574

本文列出了自1999年NMF在Science上发表以来的文献资料。 1 综述 (18 articles) (1) D. D. Lee, H.S.Seung. Learning the parts of objects by non-negative matrix factorization, Nature, 1999 (2) 刘维湘等, 非负矩阵分解及其在模式识别中

CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云

王博（Kings）的博客

06-25

5085

链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：

（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）

Jojo论文基地

08-28

7593

CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录讲在前面论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！论文目录

近几年的论文和代码

qq_18343569的博客

10-09

5779

Newly accepted: [1] J. Xu, L. Zhang, W. Zuo, D. Zhang, and X. Feng, “Patch Group Based Nonlocal Self-Similarity Prior Learning for Image Denoising,” in ICCV 2015. (paper, sup)

ScGraph-开源

05-09

ScGraph是SuperCollider的3D图形服务器。它的新家是https://github.com/scgraph/

04-15

blog

09-26

1万+

图像表示往往基于如下最小化问题：

#Paper Reading# Graph Regularized Non-negative Matrix Factorization By Maximizing Correntropy

John159151的专栏

07-18

1637

论文题目：Graph Regularized Non-negative Matrix Factorization By Maximizing Correntropy 论文地址：http://arxiv.org/pdf/1405.2246.pdf论文大体内容：作者对NMF进行了改进，结合了MCC（maximum correntropy criteria）算法[1]以及GRNMF（Graph re

matlab中错误使用fmincon,fmincon中的错误Matlab

weixin_39997400的博客

03-23

1712

`function [LLF, LL, H ] = garchlike(data)p=1;q=1;if isempty(q)m=p;elsem = max(p,q);end%this are the parameterspsi=[0.01;0.01];gamma=[0;0.02;0.02;0];lambda=[0;0.03;0.03;0];A=[1;-0.04;-0.03;1];stdest...

matlab中错误使用fmincon,MATLAB中fmincon 函数问题

weixin_33756596的博客

03-23

2553

MATLAB中fmincon 函数问题Matlab的fmincon优化问题请问：各位高手帮忙看看我的程序又什么问题？显示错误Error in ==> Fun at 33[w,fval]=fmincon(@fun2,w0,[],[],Aeq,Beq,@myfuntestcon,options)程序如下@fun2文件内容function f=fun2(w)n=64;y=zeros(n,1);i=...

Matlab Codes and Datasets for Feature Learning(转)

lishuiwang的专栏

08-10

741

Matlab Codes and Datasets for Feature Learning Dimensionality reduction (Subspace learning) / Feature selection / Topic modeling / Matrix factorization / Sparse coding / Hashing / Clustering / Active

Surface Normal Data Guided Depth Recovery with Graph Laplacian Regularization --论文分享

weixin_43992618的博客

02-01

1580

论文分享（1） 1.摘要近年来，高质量深度图信息越来越多地应用在多媒体应用中。由于深度传感器以及传感技术的限制，事实上，获得的深度图经常为低分辨率的，而且有很多的空洞。在这篇论文中，我们受3D场景的表面法线和3D场景与摄像机距离的几何关系启发，发现法线图可以为深度图的重建提供更多的空间几何约束。因为深度图是一种携带空间信息的特殊图像，所以我们称深度图为2.5D图像。为了探究这个特性，我们提出了一...

论文笔记：A survey of deep nonnegative matrix factorization

qq_40206371的博客

09-08

2918

基础的NMF可以被视为一个单层的学习过程，同时从数据矩阵X种学习基础矩阵W和特征矩阵H为了使用多层NMF来发掘数据中的层级特征，我们分解从单层NMF中学到的特征矩阵H1，至W2,H2——>这样的话，我们就把单层NMF拓展到了双层NMF结构相似的方式，我们把数据矩阵X分解成L+1层特征其中这样每一层的非负隐式特征可以表示为......——>有很好的解释性（高层特征包含着底层特征）深度NMF算法一般是由两步组成的预训练阶段这一阶段对每一层使用单层的非负矩阵分解算法。

下面这段代码的作用是什么def forward(self, data): hidden_representations = [] for sub_graph in data: features = sub_graph['features'] edges = sub_graph['edges'] gcn_representation = torch.nn.functional.relu(self.GCN_layers(edges, features)) hidden_representations.append(gcn_representation) hidden_representations = torch.cat(tuple(hidden_representations)) sub_graph_representation = hidden_representations.view(-1, self.number_of_nodes, self.args.gcn_out_channel) sub_graph_representation = self.dynamic_routing(sub_graph_representation) sub_graph_representation = sub_graph_representation.unsqueeze(dim=0) graph_representation = self.LSTM_layers(sub_graph_representation) prediction = self.dens_layers(graph_representation) prediction = torch.nn.functional.relu(prediction) prediction = prediction.squeeze(-1) return graph_representation, prediction

05-18

这段代码是一个PyTorch模型的前向传播函数。该模型接受一个包含多个子图的输入数据，每个子图有其自己的特征和边集合。模型将每个子图的特征和边集合作为输入，通过多层GCN（图卷积神经网络）编码特征，并将所有子图...