周五实验室有同学报告了ICCV2013的一篇论文group sparsity and geometry constrained dictionary learning for action recognition from depth maps。这篇文章是关于Sparsing Coding的。Sparse coding并不是我的研究方向。在此仅仅是做个文献阅读后的笔记，权当开拓下我的视野。
从标题就能够看出，这篇论文试图通过学习到group sparsity和geometry constrained的词典用于深度图的行为识别。像曾经看到的Sparse Coding 论文一样，本文也用一张美丽的示意图给出了本文算法和Kmeans 、一般的Sparse Coding等算法的不同。例如以下
图中的（a）和（b）两个子图比較常见。子图（c）为Sparse Coding+group sparsity ，由图不难看出group sparsity是指将各类样本仅用各类相应的子字典表示。子图（d）是作者提出的算法，相比（c）增加了几何限制，即原特征空间上近的样本经稀疏表示后距离也要近，即尽量保持样本在原空间的几何远近关系。
理解了作者的意图后，我们不难理解本文建立的模型。相对于以往研究者的工作，本文的模型添加了最后一项。由于添加的项为凸，所以加上一项依旧保持了函数的凸性，因此模型的优化方法和一般的Sparse Coding算法是一样的。
