稀疏表示是机器学习的重要分支，在图像处理、计算机视觉和机器学习基础问题上有非常多应用，例如：图像去噪、人脸识别以及数据聚类等。本课程首先从稀疏表示的基本理论及常见求解方案入手，从理论和算法层面理解稀疏表示；而后详细讲解稀疏表示的5个实际应用，包括图像去噪、单图像超分辨率、人脸识别、数据聚类以及特征选择。

注意事项：本课程为“机器学习和计算机视觉”领域高级课程，请学员提前阅读相关资料。

课程基本内容及学时分配

      1. 矩阵论基础知识（2学时）

    课程内容：包括向量、矩阵演算；矩阵求导以及矩阵分解等

      2. 稀疏表示与FISTA求解（2学时）

    课程内容：包括稀疏表示模型介绍，FISTA求解，代码实现与解析

3. Homotopy求解与稀疏表示的拓展（2学时）

         课程内容：Homotopy求解，代码实现与解析，组稀疏以及矩阵低秩

      4. 稀疏表示的应用：基于K-SVD的图像去噪（2学时）

   课程内容：图像去噪问题，KSVD原理介绍与应用，源代码分析

   主要参考：K-SVD: An algorithm for designing over complete        dictionaries for sparse representation

5. 稀疏表示的应用：基于稀疏表达的单图像超分辨率（2学时）

    课程内容：单图像超分辨率问题，基于稀疏表达图像超分辨率，源代码分析

    主要参考：Image super-resolution as sparse representation of raw image patches

6. 稀疏表示的应用：基于稀疏表达的人脸识别（2学时）

   课程内容：人脸识别问题，基于稀疏表达的人脸识别，源代码分析

   主要参考：Robust face recognition via sparse representation

7. 稀疏表示的应用：基于矩阵低秩表示的聚类（2学时）

   课程内容：聚类问题，基于矩阵低秩表示的聚类，源代码分析

   主要参考：Robust Recovery of Subspace Structures by Low-Rank Representation；Robust Subspace Segmentation with Block-diagonal Prior

8. 稀疏表示的应用：基于L₂₁范数的特征选择（2学时）

    课程内容：特征选择问题与传统解决方案，基于L₂₁范数的特征选择，源代码分析

    主要参考：Efficient and Robust Feature Selection via Joint L21-Norms Minimization

讲师团队

汪博士，中国科学院自动化研究所博士，在模式识别与人工智能领域工作近10年，以第一作者在相关领域顶级期刊以及会议上发表论文10多篇。曾获得中科院百优论文以及中科院院长特别奖。

肖博士，中国科学院自动化研究所博士（在读），计算机应用技术专业，在计算机视觉与人工智能领域具有七年研究经历。期间的主要研究方向是目标检测与语义分割，曾在计算机视觉领域国际期刊发表论文；在计算机视觉会议上发表论文并获最佳论文（Selected Best Papers）。