Deep Learning Through Sparse and Low Rank

Modeling Zhangyang Wang download

https://ebookultra.com/download/deep-learning-through-sparse-and-
low-rank-modeling-zhangyang-wang/

Explore and download more ebooks or textbooks

at ebookultra.com
We have selected some products that you may be interested in
Click the link to download now or visit ebookultra.com
for more options!.

Designing Deep Learning Systems A guide for software

engineers 1st Edition Chi Wang

https://ebookultra.com/download/designing-deep-learning-systems-a-
guide-for-software-engineers-1st-edition-chi-wang/

Sparse Modeling Theory Algorithms and Applications 1st

Edition Irina Rish

https://ebookultra.com/download/sparse-modeling-theory-algorithms-and-
applications-1st-edition-irina-rish/

Deep Learning Ian Goodfellow

https://ebookultra.com/download/deep-learning-ian-goodfellow/

Evolutionary Deep Learning MEAP V11 Micheal Lanham

https://ebookultra.com/download/evolutionary-deep-learning-
meap-v11-micheal-lanham/
Introduction to Deep Learning 1st Edition Eugene Charniak

https://ebookultra.com/download/introduction-to-deep-learning-1st-
edition-eugene-charniak/

Deep Learning with Python 1st Edition François Chollet

https://ebookultra.com/download/deep-learning-with-python-1st-edition-
francois-chollet/

Modeling and State Estimation of Automotive Lithium Ion

Batteries 1st Edition Shunli Wang

https://ebookultra.com/download/modeling-and-state-estimation-of-
automotive-lithium-ion-batteries-1st-edition-shunli-wang/

Effective Philanthropy Organizational Success through Deep

Diversity and Gender Equality Mary Ellen S. Capek

https://ebookultra.com/download/effective-philanthropy-organizational-
success-through-deep-diversity-and-gender-equality-mary-ellen-s-capek/

Deep Learning for Coders with fastai and PyTorch First

Edition. Edition Jeremy Howard

https://ebookultra.com/download/deep-learning-for-coders-with-fastai-
and-pytorch-first-edition-edition-jeremy-howard/
Deep Learning Through Sparse and Low Rank Modeling
Zhangyang Wang Digital Instant Download
Author(s): Zhangyang Wang; Yun Raymond; Thomas S Huang
ISBN(s): 9780128136591, 0128136596
Edition: Paperback
File Details: PDF, 17.79 MB
Year: 2019
Language: english
DEEP LEARNING
THROUGH SPARSE
AND LOW-RANK
MODELING
Computer Vision and
Pattern Recognition Series

Series Editors
Horst Bischof Institute for Computer Graphics and Vision, Graz University of
Technology, Austria
Kyoung Mu Department of Electrical and Computer Engineering, Seoul National
University, Republic of Korea
Sudeep Sarkar Department of Computer Science and Engineering, University of
South Florida, Tampa, United States

Also in the Series:

Alameda-Pineda, Ricci and Sebe, Multimodal Behavior Analysis in the Wild, 2018, ISBN:
9780128146019
Marco and Farinella, Computer Vision for Assistive Healthcare, 2018, ISBN: 9780128134450
Murino et al., Group and Crowd Behavior for Computer Vision, 2017, ISBN: 9780128092767
Lin and Zhang, Low-Rank Models in Visual Analysis: Theories, Algorithms and Applications,
2017, ISBN: 9780128127315
Zheng et al., Statistical Shape and Deformation Analysis: Methods, Implementation and
Applications, 2017, ISBN: 9780128104934
De Marsico et al., Human Recognition in Unconstrained Environments: Using Computer
Vision, Pattern Recognition and Machine Learning Methods for Biometrics, 2017, ISBN:
9780081007051
Saha et al., Skeletonization: Theory, Methods and Applications, 2017, ISBN: 9780081012918
DEEP LEARNING
THROUGH SPARSE
AND LOW-RANK
MODELING

Edited by
ZHANGYANG WANG
Department of Computer Science and Engineering,
Texas A&M University,
College Station, TX, United States

YUN FU
Department of Electrical and Computer Engineering and
College of Computer and Information Science (Affiliated),
Northeastern University,
Boston, MA, United States
THOMAS S. HUANG
Department of Electrical and Computer Engineering,
University of Illinois at Urbana-Champaign,
Champaign, IL, United States
Academic Press is an imprint of Elsevier
125 London Wall, London EC2Y 5AS, United Kingdom
525 B Street, Suite 1800, San Diego, CA 92101-4495, United States
50 Hampshire Street, 5th Floor, Cambridge, MA 02139, United States
The Boulevard, Langford Lane, Kidlington, Oxford OX5 1GB, United Kingdom
Copyright © 2019 Elsevier Inc. All rights reserved.
No part of this publication may be reproduced or transmitted in any form or by any means, electronic or mechanical,
including photocopying, recording, or any information storage and retrieval system, without permission in writing
from the publisher. Details on how to seek permission, further information about the Publisher’s permissions policies
and our arrangements with organizations such as the Copyright Clearance Center and the Copyright Licensing
Agency, can be found at our website: www.elsevier.com/permissions.
This book and the individual contributions contained in it are protected under copyright by the Publisher (other
than as may be noted herein).
Notices
Knowledge and best practice in this field are constantly changing. As new research and experience broaden our
understanding, changes in research methods, professional practices, or medical treatment may become necessary.
Practitioners and researchers must always rely on their own experience and knowledge in evaluating and using any
information, methods, compounds, or experiments described herein. In using such information or methods they
should be mindful of their own safety and the safety of others, including parties for whom they have a professional
responsibility.
To the fullest extent of the law, neither the Publisher nor the authors, contributors, or editors, assume any liability for
any injury and/or damage to persons or property as a matter of products liability, negligence or otherwise, or from
any use or operation of any methods, products, instructions, or ideas contained in the material herein.

Library of Congress Cataloging-in-Publication Data

A catalog record for this book is available from the Library of Congress

British Library Cataloguing-in-Publication Data

A catalogue record for this book is available from the British Library

ISBN: 978-0-12-813659-1

For information on all Academic Press publications

visit our website at https://www.elsevier.com/books-and-journals

Publisher: Mara Conner

Acquisition Editor: Tim Pitts
Editorial Project Manager: Ana Claudia A. Garcia
Production Project Manager: Kamesh Ramajogi
Designer: Matthew Limbert
Typeset by VTeX
CONTRIBUTORS

Yun Fu
Department of Electrical and Computer Engineering and College of Computer and
Information Science (Affiliated), Northeastern University, Boston, MA, United States

Niraj Goel
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States

Boyuan Gong
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States

Sandeep Gottimukkala
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States

Thomas S. Huang
Department of Electrical and Computer Engineering, University of Illinois at
Urbana-Champaign, Champaign, IL, United States

Shuhui Jiang
Department of Electrical and Computer Engineering, Northeastern University, Boston, MA,
United States

Satya Kesav
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States

Steve Kommrusch
Colorado State University, Fort Collins, CO, United States

Yu Kong
B. Thomas Golisano College of Computing and Information Sciences, Rochester Institute of
Technology, Rochester, NY, United States

Yang Li
Department of Electrical and Computer Engineering, Texas A&M University, College Station,
TX, United States

Ding Liu
Beckman Institute for Advanced Science and Technology, Urbana, IL, United States

xi
xii Contributors

Yu Liu
Department of Electrical and Computer Engineering, Texas A&M University, College Station,
TX, United States
Louis-Noël Pouchet
Colorado State University, Fort Collins, CO, United States
Ritu Raj
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States
Wenqi Ren
Chinese Academy of Sciences, Beijing, China
Ming Shao
Computer and Information Science, University of Massachusetts Dartmouth, Dartmouth, MA,
United States
Dacheng Tao
University of Sydney, Sydney, NSW, Australia
Shuyang Wang
Department of Electrical and Computer Engineering, Northeastern University, Boston, MA,
United States
Zhangyang Wang
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States
Caiming Xiong
Salesforce Research, Palo Alto, CA, United States
Guanlong Zhao
Department of Computer Science and Engineering, Texas A&M University, College Station,
TX, United States
ABOUT THE EDITORS

Zhangyang Wang is an Assistant Professor of Computer Science and Engineering

(CSE) at the Texas A&M University (TAMU). During 2012–2016, he was a PhD stu-
dent in the Electrical and Computer Engineering (ECE) Department, at the University
of Illinois, Urbana-Champaign (UIUC), working with Professor Thomas S. Huang.
Prior to that he obtained the BE degree at the University of Science and Technology
of China (USTC) in 2012. Dr. Wang’s research has been addressing machine learn-
ing, computer vision and multimedia signal processing problems using advanced feature
learning and optimization techniques. He has co-authored over 50 papers, and pub-
lished several books and chapters. He has been granted 3 patents, and has received
over 20 research awards and scholarships. He regularly serves as guest editor, area chair,
session chair, TPC member, tutorial speaker and workshop organizer at leading confer-
ences and journals. His research has been covered by worldwide media, such as BBC,
Fortune, International Business Times, UIUC news and alumni magazine. For more
see http://www.atlaswang.com.

Yun Fu received the BEng degree in Information Engineering and the MEng degree in
Pattern Recognition and Intelligence Systems from Xi’an Jiaotong University, China, as
well as the MS degree in Statistics and the PhD degree in Electrical and Computer Engi-
neering from the University of Illinois at Urbana-Champaign. He is an interdisciplinary
faculty member affiliated with College of Engineering and the College of Computer
and Information Science at Northeastern University since 2012. His research interests
are in machine learning, computational intelligence, Big Data mining, computer vision,
pattern recognition, and cyber-physical systems. He has extensive publications in lead-
ing journals, books/book chapters and international conferences/workshops. He serves
as associate editor, chair, PC member and reviewer of many top journals and interna-
tional conferences/workshops. He received seven prestigious Young Investigator Awards
from NAE, ONR, ARO, IEEE, INNS, UIUC, and Grainger Foundation; seven Best
Paper Awards from IEEE, IAPR, SPIE, and SIAM; three major Industrial Research
Awards from Google, Samsung, and Adobe. He is currently an Associate Editor of the
IEEE Transactions on Neural Networks and Learning Systems (TNNLS). He is a fel-
low of IAPR and SPIE, a Lifetime Senior Member of ACM, Senior Member of IEEE,
Lifetime Member of AAAI, OSA, and Institute of Mathematical Statistics, member of
Global Young Academy (GYA), INNS and was a Beckman Graduate Fellow during
2007–2008.

xiii
xiv About the Editors

Thomas S. Huang received the ScD degree from the Massachusetts Institute of Tech-
nology in 1963. He is currently a Research Professor of Electrical and Computer
Engineering and the Swanlund Endowed Chair Professor at the University of Illinois,
Urbana-Champaign. He has authored or coauthored 21 books and over 600 papers on
network theory, digital filtering, image processing, and computer vision. His current re-
search interests include computer vision, image compression and enhancement, pattern
recognition, and multimodal signal processing. He is a member of the United States
National Academy of Engineering. He is a fellow of the International Association of
Pattern Recognition and the Optical Society of America. He was a recipient of the
IS&T and SPIE Imaging Scientist of the Year Award and the IBM Faculty Award in
2006. In 2008, he served as the Honorary Chair of the ACM Conference on Content-
Based Image and Video Retrieval and the IEEE Conference on Computer Vision and
Pattern Recognition. He has received numerous awards, including the Honda Lifetime
Achievement Award, the IEEE Jack Kilby Signal Processing Medal, the King-Sun Fu
Prize of the International Association for Pattern Recognition, and the Azriel Rosenfeld
Life Time Achievement Award at the International Conference on Computer Vision.
PREFACE

Deep learning has achieved tremendous success in various applications of machine

learning, data analytics, and computer vision. It is easy to be parallelized with a low
inference complexity and could be jointly tuned in an end-to-end manner. However,
generic deep architectures, often referred to as “black-box” methods, largely ignore the
problem-specific formulations and domain knowledge. They rely on stacking somewhat
ad-hoc modules, which makes it prohibitive to interpret their working mechanisms. De-
spite a few hypotheses and intuitions, it is widely recognized as difficult to understand
why deep models work, and how they can be related to classical machine learning mod-
els. On the other hand, sparsity and low rankness are well exploited regularization in
classical machine learning. By exploiting the latent low-dimensional subspace structure
of high-dimension data, they have also led to great success in many image processing
and understanding tasks.
This book provides an overview on the recent research trend on integrated deep
learning models with sparse and low rank models. It will be suitable for the audiences
who have basic knowledge of deep learning and sparse/low rank models, and place
strong emphasis on the concepts and applications, in the hope that it can reach a broader
audience. The research advances covered in this book bridge the classical sparse and
low rank models that emphasize problem-specific prior and interpretability, with deep
network models that allow for larger learning capacity and better utilization of Big
Data. The toolkit of deep learning will be shown to be closely tied with the sparse/low
rank models and algorithms. Such a viewpoint is expected to motivate a rich variety
of theoretical and analytic tools, to guide the architecture design and interpretation of
deep models. The theoretical and modeling progress will be complemented with many
applications in computer vision, machine learning, signal processing, data mining, and
more.

The Authors

xv
CHAPTER 1

Introduction
Zhangyang Wang∗ , Ding Liu†
∗ Department of Computer Science and Engineering, Texas A&M University, College Station, TX, United States
† Beckman Institute for Advanced Science and Technology, Urbana, IL, United States

Contents
1.1. Basics of Deep Learning 1
1.2. Basics of Sparsity and Low-Rankness 2
1.3. Connecting Deep Learning to Sparsity and Low-Rankness 3
1.4. Organization 4
References 4

1.1. BASICS OF DEEP LEARNING

Machine learning makes computers learn from data without explicitly programming
them. However, classical machine learning algorithms often find it challenging to extract
semantic features directly from raw data, e.g., due to the well-known “semantic gap” [1],
which calls for the assistance from domain experts to hand-craft many well-engineered
feature representations, on which the machine learning models operate more effectively.
In contrast, the recently popular deep learning relies on multilayer neural networks to
derive semantically meaningful representations, by building multiple simple features to
represent a sophisticated concept. Deep learning requires less hand-engineered features
and expert knowledge. Taking image classification as an example [2], a deep learning-
based image classification system represents an object by gradually extracting edges,
textures, and structures, from lower to middle-level hidden layers, which becomes more
and more associated with the target semantic concept as the model grows deeper. Driven
by the emergence of big data and hardware acceleration, the intricacy of data can be
extracted with higher and more abstract level representation from raw inputs, gaining
more power for deep learning to solve complicated, even traditionally intractable prob-
lems. Deep learning has achieved tremendous success in visual object recognition [2–5],
face recognition and verification [6,7], object detection [8–11], image restoration and
enhancement [12–17], clustering [18], emotion recognition [19], aesthetics and style
recognition [20–23], scene understanding [24,25], speech recognition [26], machine
translation [27], image synthesis [28], and even playing Go [29] and poker [30].
A basic neural network is composed of a set of perceptrons (artificial neurons), each
of which maps inputs to output values with a simple activation function. Among re-

Deep Learning Through Sparse and Low-Rank Modeling Copyright © 2019 Elsevier Inc.
DOI: 10.1016/B978-0-12-813659-1.00001-9 All rights reserved. 1
2 Deep Learning Through Sparse and Low-Rank Modeling

cent deep neural network architectures, convolutional neural networks (CNNs) and
recurrent neural networks (RNNs) are the two main streams, differing in their con-
nectivity patterns. CNNs deploy convolution operations on hidden layers for weight
sharing and parameter reduction. CNNs can extract local information from grid-like
input data, and have mainly shown successes in computer vision and image processing,
with many popular instances such as LeNet [31], AlexNet [2], VGG [32], GoogLeNet
[33], and ResNet [34]. RNNs are dedicated to processing sequential input data with
variable length. RNNs produce an output at each time step. The hidden neuron at each
time step is calculated based on input data and hidden neurons at the previous time
step. To avoid vanishing/exploding gradients of RNNs in long term dependency, long
short-term memory (LSTM) [35] and gated recurrent unit (GRU) [36] with control-
lable gates are widely used in practical applications. Interested readers are referred to a
comprehensive deep learning textbook [37].

1.2. BASICS OF SPARSITY AND LOW-RANKNESS

In signal processing, the classical way to represent a multidimensional signal is to express
it as a linear combination of the components in a (chosen in advance and also learned)
basis. The goal of linearly transforming a signal with respect to a basis is to have a more
predictable pattern in the resultant linear coefficients. With an appropriate basis, such
coefficients often exhibit some desired characteristics for signals. One important obser-
vation is that, for most natural signals such as image and audio, most of the coefficients
are zero or close to zero if the basis is properly selected: the technique is usually termed
as sparse coding, and the basis is called the dictionary [38]. A sparse prior can have many
interpretations in various contexts, such as smoothness, feature selection, etc. Ensured
by theories from compressive sensing [39], under certain favorable conditions, the sparse
solutions can be reliably obtained using the 1 -norm, instead of the more straightfor-
ward but intractable 0 -norm. Beyond the element-wise sparsity model, more elaborate
structured sparse models have also been developed [40,41]. The learning of basis (called
dictionary) further boosts the power of sparse coding [42–44].
More generally, the sparsity belongs to the well-received principle of parsimony, i.e.,
preferring a simple representation to a more complex one. The sparsity level (number
of nonzero elements) is a natural measure of representation complexity of vector-valued
features. In the case of matrix-valued features, the matrix rank provides another notion
of parsimony, assuming high-dimensional data lies close to a low-dimensional subspace
or manifold. Similarly to sparse optimization, a series of works have shown that rank
minimization can be achieved through convex optimization [45] or efficient heuris-
tics [46], paving the path to high-dimensional data analysis such as video processing
[47–52].
 Introduction 3

1.3. CONNECTING DEEP LEARNING TO SPARSITY AND LOW-RANKNESS

Beyond their proven success in conventional machine learning algorithms, the sparse
and low-rank structures are widely found to be effective for regularizing deep learning,
for improving model generalization, training behaviors, data efficiency [53], and/or
compactness [54]. For example, adding 1 (or 2 ) decay term limits the weights of the
neurons. Another popular tool to avoid overfitting, dropout [2], is a simple regulariza-
tion approach that improves the generalization of deep networks, by randomly putting
hidden neurons to zero in the training stage, which could be viewed as a stochastic
form of enforcing sparsity. Besides, the inherent sparse properties of both deep network
weights and activations have also been widely observed and utilized for compressing
deep models [55] and improving their energy efficiency [56,57]. As for low-rankness,
much research has also been devoted to learning low-rank convolutional filters [58] and
network compression [59].
Our focus of this book is to explore a deeper structural connection between
sparse/low-rank models and deep models. While many examples will be detailed in
the remainder of the book, we here briefly state the main idea. We start from the fol-
lowing regularized regression form, which represents a large family of feature learning
models, such as ridge regression, sparse coding, and low-rank representation

a = arg mina 12 ||x − (D, a)||2F + (a). (1.1)

Here x ∈ Rn denotes the input data, a ∈ Rm is the feature to learn, and D ∈ Rn×m
is the representation basis. Function (D, a): Rn×m × Rm → Rn defines the form of
feature representation. The regularization term (a): Rm → R further incorporates the
problem-specific prior knowledge. Not surprisingly, many instances of Eq. (1.1) could
be solved by a similar class of iterative algorithms

zk+1 = N (L1 (x) + L2 (zk )), (1.2)

where zk ∈ Rm denotes the intermediate output of the kth iteration, k = 0, 1, . . . , L1 and

L2 are linear (or convolutional) operators, while N is a simple nonlinear operator. Equa-
tion (1.2) could be expressed by a recursive system, whose fixed point is expected to
be the solution a of Eq. (1.1). Furthermore, the recursive system could be unfolded and
truncated to k iterations, to construct a (k+1)-layer feed-forward network. Without any
further tuning, the resulting architecture will output a k-iteration approximation of the
exact solution a. We use the sparse coding model [38] as a popular instance of Eq. (1.1),
which corresponds to (a) = λ||a||1 , (D, a) = Da, with ||D||2 = 1 by default. Then,
the concrete function forms are given as (u is a vector and ui is its ith element)

L1 (x) = DT x, L2 (zk ) = (I − DT D)zk , N (u)i = sign(ui )(|ui | − λ)+ , (1.3)

4 Deep Learning Through Sparse and Low-Rank Modeling

where N is an element-wise soft shrinkage function. The unfolded and truncated

version of Eq. (1.3) was first proposed in [60], called the learned iterative shrinkage
and thresholding algorithm (LISTA). Recent works [61,18,62–64] followed LISTA and
developed various models, and many jointly optimized the unfolded model with dis-
criminative tasks [65].
A simple but interesting variant comes out by enforcing (a) = λ||a||1 , a ≥ 0, and
(D, a) = Da, ||D||2 = 1, Eq. (1.2) could be adapted to solve the nonnegative sparse
coding problem

L1 (x) = DT x − λ, L2 (zk ) = (I − DT D)zk , N (u)i = max(ui , 0). (1.4)

A by-product of applying nonnegativity is that the original sparsity coefficient λ now

occurs in L1 as the bias term of this layer, rather than appearing in N as in Eq. (1.3). As
a result, N in Eq. (1.4) now has exactly the same form as the popular neuron of rectified
linear unit (ReLU) [2]. We further make an aggressive approximation of Eq. (1.4), by
setting k = 0 and assuming z0 = 0, and have

z = N (DT x − λ). (1.5)

Note that even if a nonzero z0 is assumed, it could be absorbed into the bias term −λ.
Equation (1.5) is exactly a fully-connected layer followed by ReLU neurons, one of the
most standard building blocks in existing deep models. Convolutional layers could be
derived similarly by looking at a convolutional sparse coding model [66] rather than a
linear one. Such a hidden structural resemblance reveals the potential to bridge many
sparse and low-rank models with current successful deep models, potentially enhancing
the generalization, compactness and interpretability of the latter.

1.4. ORGANIZATION
In the remainder of this book, Chapter 2 will first introduce the bi-level sparse coding
model, using the example of hyperspectral image classification. Chapters 3, 4 and 5
will then present three concrete examples (classification, superresolution, and cluster-
ing), to show how (bi-level) sparse coding models could be naturally converted to and
trained as deep networks. From Chapter 6 to Chapter 9, we will delve into the extensive
applications of deep learning aided by sparsity and low-rankness, in signal processing,
dimensionality reduction, action recognition, style recognition and kinship understand-
ing, respectively.

REFERENCES
[1] Zhao R, Grosky WI. Narrowing the semantic gap-improved text-based web document retrieval using
visual features. IEEE Transactions on Multimedia 2002;4(2):189–200.
 Introduction 5

[2] Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural net-
works. In: NIPS; 2012.
[3] Wang Z, Chang S, Yang Y, Liu D, Huang TS. Studying very low resolution recognition using deep
networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition; 2016.
p. 4792–800.
[4] Liu D, Cheng B, Wang Z, Zhang H, Huang TS. Enhance visual recognition under adverse conditions
via deep networks. arXiv preprint arXiv:1712.07732, 2017.
[5] Wu Z, Wang Z, Wang Z, Jin H. Towards privacy-preserving visual recognition via adversarial training:
a pilot study. arXiv preprint arXiv:1807.08379, 2018.
[6] Bodla N, Zheng J, Xu H, Chen J, Castillo CD, Chellappa R. Deep heterogeneous feature fusion for
template-based face recognition. In: 2017 IEEE winter conference on applications of computer vision,
WACV 2017; 2017. p. 586–95.
[7] Ranjan R, Bansal A, Xu H, Sankaranarayanan S, Chen J, Castillo CD, et al. Crystal loss and quality
pooling for unconstrained face verification and recognition. CoRR 2018. arXiv:1804.01159 [abs].
[8] Ren S, He K, Girshick R, Sun J. Faster R-CNN: towards real-time object detection with region
proposal networks. In: Advances in neural information processing systems; 2015. p. 91–9.
[9] Yu J, Jiang Y, Wang Z, Cao Z, Huang T. Unitbox: an advanced object detection network. In: Pro-
ceedings of the 2016 ACM on multimedia conference. ACM; 2016. p. 516–20.
[10] Gao J, Wang Q, Yuan Y. Embedding structured contour and location prior in siamesed fully convo-
lutional networks for road detection. In: Robotics and automation (ICRA), 2017 IEEE international
conference on. IEEE; 2017. p. 219–24.
[11] Xu H, Lv X, Wang X, Ren Z, Bodla N, Chellappa R. Deep regionlets for object detection. In: The
European conference on computer vision (ECCV); 2018.
[12] Timofte R, Agustsson E, Van Gool L, Yang MH, Zhang L, Lim B, et al. NTIRE 2017 challenge
on single image super-resolution: methods and results. In: Computer vision and pattern recognition
workshops (CVPRW), 2017 IEEE conference on. IEEE; 2017. p. 1110–21.
[13] Li B, Peng X, Wang Z, Xu J, Feng D. AOD-Net: all-in-one dehazing network. In: Proceedings of the
IEEE international conference on computer vision; 2017. p. 4770–8.
[14] Li B, Peng X, Wang Z, Xu J, Feng D. An all-in-one network for dehazing and beyond. arXiv preprint
arXiv:1707.06543, 2017.
[15] Li B, Peng X, Wang Z, Xu J, Feng D. End-to-end united video dehazing and detection. arXiv preprint
arXiv:1709.03919, 2017.
[16] Liu D, Wen B, Jiao J, Liu X, Wang Z, Huang TS. Connecting image denoising and high-level vision
tasks via deep learning. arXiv preprint arXiv:1809.01826, 2018.
[17] Prabhu R, Yu X, Wang Z, Liu D, Jiang A. U-finger: multi-scale dilated convolutional network for
fingerprint image denoising and inpainting. arXiv preprint arXiv:1807.10993, 2018.
[18] Wang Z, Chang S, Zhou J, Wang M, Huang TS. Learning a task-specific deep architecture for clus-
tering. SDM 2016.
[19] Cheng B, Wang Z, Zhang Z, Li Z, Liu D, Yang J, et al. Robust emotion recognition from low quality
and low bit rate video: a deep learning approach. arXiv preprint arXiv:1709.03126, 2017.
[20] Wang Z, Yang J, Jin H, Shechtman E, Agarwala A, Brandt J, et al. DeepFont: identify your font from
an image. In: Proceedings of the 23rd ACM international conference on multimedia. ACM; 2015.
p. 451–9.
[21] Wang Z, Yang J, Jin H, Shechtman E, Agarwala A, Brandt J, et al. Real-world font recognition using
deep network and domain adaptation. arXiv preprint arXiv:1504.00028, 2015.
[22] Wang Z, Chang S, Dolcos F, Beck D, Liu D, Huang TS. Brain-inspired deep networks for image
aesthetics assessment. arXiv preprint arXiv:1601.04155, 2016.
[23] Huang TS, Brandt J, Agarwala A, Shechtman E, Wang Z, Jin H, et al. Deep learning for font
recognition and retrieval. In: Applied cloud deep semantic recognition. Auerbach Publications; 2018.
p. 109–30.
6 Deep Learning Through Sparse and Low-Rank Modeling

[24] Farabet C, Couprie C, Najman L, LeCun Y. Learning hierarchical features for scene labeling. IEEE
Transactions on Pattern Analysis and Machine Intelligence 2013;35(8):1915–29.
[25] Wang Q, Gao J, Yuan Y. A joint convolutional neural networks and context transfer for street scenes
labeling. IEEE Transactions on Intelligent Transportation Systems 2017.
[26] Saon G, Kuo HKJ, Rennie S, Picheny M. The IBM 2015 English conversational telephone speech
recognition system. arXiv preprint arXiv:1505.05899, 2015.
[27] Sutskever I, Vinyals O, Le QV. Sequence to sequence learning with neural networks. In: Advances in
neural information processing systems; 2014. p. 3104–12.
[28] Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Generative adversarial
nets. In: Advances in neural information processing systems; 2014. p. 2672–80.
[29] Silver D, Huang A, Maddison CJ, Guez A, Sifre L, Van Den Driessche G, et al. Mastering the game
of go with deep neural networks and tree search. Nature 2016;529(7587):484–9.
[30] Moravčík M, Schmid M, Burch N, Lisỳ V, Morrill D, Bard N, et al. DeepStack: expert-level artificial
intelligence in no-limit poker. arXiv preprint arXiv:1701.01724, 2017.
[31] LeCun Y, et al. LeNet-5, convolutional neural networks. URL: http://yann.lecun.com/exdb/lenet,
2015.
[32] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv
preprint arXiv:1409.1556, 2014.
[33] Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Going deeper with convolutions. In:
Proceedings of the IEEE conference on computer vision and pattern recognition; 2015. p. 1–9.
[34] He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proceedings of the
IEEE conference on computer vision and pattern recognition; 2016. p. 770–8.
[35] Gers FA, Schmidhuber J, Cummins F. Learning to forget: continual prediction with LSTM. Neural
Computation 2000;12(10):2451–71.
[36] Chung J, Gulcehre C, Cho K, Bengio Y. Empirical evaluation of gated recurrent neural networks on
sequence modeling. arXiv preprint arXiv:1412.3555, 2014.
[37] Goodfellow I, Bengio Y, Courville A. Deep learning. MIT Press; 2016.
[38] Wang Z, Yang J, Zhang H, Wang Z, Yang Y, Liu D, et al. Sparse coding and its applications in
computer vision. World Scientific; 2015.
[39] Baraniuk RG. Compressive sensing [lecture notes]. IEEE Signal Processing Magazine
2007;24(4):118–21.
[40] Huang J, Zhang T, Metaxas D. Learning with structured sparsity. Journal of Machine Learning Re-
search Nov. 2011;12:3371–412.
[41] Xu H, Zheng J, Alavi A, Chellappa R. Template regularized sparse coding for face verification. In:
23rd International conference on pattern recognition, ICPR 2016; 2016. p. 1448–54.
[42] Xu H, Zheng J, Alavi A, Chellappa R. Cross-domain visual recognition via domain adaptive dictionary
learning. CoRR 2018. arXiv:1804.04687 [abs].
[43] Xu H, Zheng J, Chellappa R. Bridging the domain shift by domain adaptive dictionary learning. In:
Proceedings of the British machine vision conference 2015, BMVC 2015; 2015. p. 96.1–96.12.
[44] Xu H, Zheng J, Alavi A, Chellappa R. Learning a structured dictionary for video-based face recog-
nition. In: 2016 IEEE winter conference on applications of computer vision, WACV 2016; 2016.
p. 1–9.
[45] Candès EJ, Li X, Ma Y, Wright J. Robust principal component analysis? Journal of the ACM (JACM)
2011;58(3):11.
[46] Wen Z, Yin W, Zhang Y. Solving a low-rank factorization model for matrix completion by a nonlinear
successive over-relaxation algorithm. Mathematical Programming Computation 2012:1–29.
[47] Wang Z, Li H, Ling Q, Li W. Robust temporal-spatial decomposition and its applications in video
processing. IEEE Transactions on Circuits and Systems for Video Technology 2013;23(3):387–400.
[48] Li H, Lu Z, Wang Z, Ling Q, Li W. Detection of blotch and scratch in video based on video decom-
position. IEEE Transactions on Circuits and Systems for Video Technology 2013;23(11):1887–900.
Random documents with unrelated
content Scribd suggests to you:
 Pääntaivutus. Taivutus on aina tehtävä hitaasti ja ilman
nykäyksiä, mutta samassa perinpohjaisesti; ruumiin ryhtiä ei saa
muuttaa.
Päänkierto. Pituusakselinsa ympäri kierretään pää
voimakkaasti vasempaan ja oikeaan. Hartijoitten asento pysyköön
muuttumattomana.
Vartalontaivutus. Jos ruumis on kumarrettava eteenpäin niin
syvään, että selkä tulee vaakasuoraan tasoon, niin taivutus tapahtuu
ainoastaan lonkkaniveleissä (katso kuv. 49). Kumarrus eteen-
alaspäin käy mahdolliseksi sen kautta, että selkäniveleitäkin
taivutetaan (katso kuv. 50). Taaksepäin on taivutus aina tehtävä
jotenkin varovasti eikä erittäin syvään (kuv. 51). Kaulaa ei erityisesti
taivuteta eikä kierretä selkää taivuttaessa. Kun kysymyksessä olevaa
liikettä tehdään eteen- eli taaksepäin perus-, jalka-, varvas- tahi
käyntiasennosta, niin polviniveleitä ei saa ensinkään notkistaa.
Lisäksi on huomioon otettava, että tasaista hengittämistä ei saa
liikkeitä tehtäessä keskeyttää.
 Kuva 49.

Kuva 50.

Sivutaivutus eli taivutus sivullepäin. Tätä liikettä

tehtäessä ruumista ei ensinkään saa kiertää eikä eteenpäin kumartaa
(kuv. 52). Pään asento hartijoihin verraten pysyköön yhä
muuttumattomana. Liikettä tulee aina tehdä syvään ja
perinpohjaisesti, mutta hitaasti ja samassa hieman varovasti.
 Vartalonkierto. Erilaisissa alkuasennoissa kierretään ruumis
pituusakselinsa ympäri hitaasti, mutta kuitenkin perinpohjaisesti
vuorotellen vasempaan ja oikeaan. Jalat pysykööt paikoillaan
liikahtamatta. Kädet ulospäin nostettuina, lanteille tahi niskaan
vietyinä (kuv. 53).

Kuva 51. Kuva 52. Kuva 53.

Kiertotaivutus. Ensin asetetaan toinen jalka ulospäin, kädet

viedään niskaan, lanteille tahi ylöspäin ja ruumis kierretään esim.
vasempaanpäin. Sitten tästä alkuasennosta ruumis taivutetaan
eteenpäin ja pyöritetään etutietä oikeaan, jonka jälkeen selkä
ojennetaan, niin että ruumis tulee kiertoasentoon oikealle.
Päinvastoin kun vasempaanpäin mennään. Ennenkuin uusi
kiertotaivutus tehdään, saattaa selkää kiertoasennossa hieman
taaksepäin taivuttaa.
Vartalonpyöritys. Alkuasentona kysymyksessä olevaan
harjoitukseen käytetään tavallisesti haara-asentoa, kädet lanteille
vietyinä. Vartalo taivutetaan ensin eteenpäin, viedään siitä
taivutusasentoon vasemmalle, sitten taivutusasentoon taaksepäin,
vihdoin oikealle ja uudestaan eteenpäin j. n. e. Pyörittäessä vartaloa
ei kierretä pituusakselinsa ympäri. Pää ja vartalo muodostavat tätä
harjoitusta tehtäessä suppilonmuotoisen liikkeen. Sääret suorina;
pää hartijoihin verraten liikkumattomana.

4. Hyppäys- ja hyppyharjoituksia.
Jokaista hyppäystä tehtäessä noustaan varpaille samassa kun
polvi- ja nilkkaniveleet koukistetaan; seuraavassa silmänräpäyksessä
mainitut niveleet uudestaan niin voimakkaasti ojennetaan, että koko
ruumis lentää ylös. Maahan takaisin tullessa ovat polvi- ja
nilkkaniveleet taaskin notkistettavat, mutta sitten ne levollisesti
ojennetaan, niin että vakavasti tullaan perusasentoon. Kaikenlaisia
laskuhyppäyksiä tehtäessä älköön milloinkaan tultako alas
kantapäille, vaan aina varpaille.
Hyppäyksen saattaa tehdä sekä paikalla että paikalta siirtymällä.
Jos edellisessä tapauksessa sääret, täydesti ojennettuina, heitetään
suoraan sivullepäin, mutta ne uudestaan yhdistetään ennenkuin
maahan tullaan, niin harjoitusta sanotaan h y p p ä y k s e k s i
s ä ä r i ä h a j o i t t a m a l l a.
Kun hyppäys tehdään haara-asennosta, niin sääriä saattaa
nopeasti yhdistää ja sitten taas heti uudestaan hajoittaa, joten
tullaan takaisin haara-asentoon. Silloin on tehty h y p p ä y s
s ä ä r i ä y h d i s t ä m ä l l ä.
Hyppäystä saattaa viimemainitusta alkuasennosta tehdä silläkin
tavoin, että sääret hypätessä pikimmältään viedään ristiin, toinen
toisen etupuolelle, mutta siinä tapauksessa ne ovat nopeasti
uudestaan hajoitettavat alkuasentoon menemistä varten. Sellaista
hyppyharjoitusta sanotaan h y p p ä y k s e k s i s ä ä r i ä r i s t i i n
v i e m ä l l ä.
H y p p ä y s j a l a n h e i t o l l a taakse- ylöspäin tehdään siten, että
hypätessä molemmat jalat koskettamiseen saakka heitetään
taaksepäin.
 H y p p ä y s p o l v e n h e i t o l l a toimitetaan sillä tavoin, että
polvet hypätessä nostetaan rintaa kohti.
Hyppäyksellä ja hypätessä voipi jostakin alkuasennosta mennä
toiseen. Siten saattaa esim. perusasennosta mennä haara-asentoon,
käyntiasentoon, polviasentoon, kyykkyyn, j. n. e. sekä päinvastoin.
H y p p y k ä ä n n ö k s e k s i sanotaan sellaista hyppäystä, johon
yhdistetään puoli- tahi täysikäännös.
Yksityisten hyppäyksien sarjaa sanotaan h y p y k s i.
Hyppyharjoitus on siis aina tahtiharjoitus. Kuten hyppäyksissäkin
saattaa hyppyharjoituksissa mennä toisesta alkuasennosta toiseen.
K ä y n t i h y p p y ä harjoitetaan sillä tavalla, että ensi hyppäyksessä
viedään toinen jalka taaksepäin, toinen eteenpäin käyntiasentoon;
seuraavalla hyppäyksellä jalat päinvastoin, j. n. e.
Hyppyä vuorotellen haara- ja perusasentoon
harjoitetaan siten, että ensimmäisellä hyppäyksellä sääret
hajoitetaan, niin että tullaan haara-asentoon, sitten hypätään heti
uudestaan perusasentoon, taas haara-asentoon j. n. e.
Hyppyä vuorotellen haara- ja ristiasentoon
tehdään siten, että haara-asennosta viedään sääret hyppäyksellä
ristiin, ensi kerralla vasen jalka etupuolelle; sitten hypätään takaisin
haara-asentoon ja uudestaan ristiasentoon, tällä kertaa oikea jalka
etupuolelle, j. n. e.
Hyppyä harjoitetaan usein ainoastaan t o i s e l l a jalalla. Silloin
toinen sääri, suorine polvi- ja nilkkaniveleineen, tavallisesti pidetään
eteenpäin nostettuna. Viimemainittua säärtä saattaa hypätessä
myöskin heiluttaa eteenpäin ja taaksepäin tahi ulos- ja sisäänpäin.
 IV. Sauvaliikkeitä.
Kansakoulussa kuten alkeiskouluissa yleensä älköön
sauvavoimistelua harjoitettako kahtena ensimmäisenä
voimisteluvuotena. Yleensä on sauvavoimistelun harjoittaminen
alotettava vasta silloin, kun oppilaat tyydyttävästi osaavat suorittaa
tavallisimmat vapaaharjoitukset ilman sauvaa. Niiden tulee siis sitä
ennen saavuttaa jonkinmoista valtaa ruumiinsa ja sen liikuntojen yli.
Lisäksi on huomattava, ettei sauva saa olla liian raskas. Sen pituuden
tulee olla noin 90 eli 95 senttimetriä ja paino olkoon niin suuri, että
lapsi, pitämällä vahvemmalla kädellään sauvaa sen toisesta päästä,
jaksaa pari sekuntia pitää sitä suoralla kädellä vaakasuoraan tasoon
ojennettuna.
Vieressä oleva kuva näyttää meille asennon, jota
sauvavoimistelussa tavallisesti käytetään alkuasentona muita liikkeitä
tehtäessä ja muihin asentoihin mentäessä. Sauva pidetään
ojennetuilla käsivarsilla, mutta eteen-ylöspäin taivutettuin rantein
poikittain ruumiin etupuolella. Jos sauva tästä asennosta on vietävä
»j a l a l l e», niin vasen käsi ensi tempussa lykkää sauvan oikean
käden läpi, kunnes kädet tulevat yhteen ja sauvan toinen pää
lähenee lattiaa (katso kuv. 55). Seuraavassa tempussa laskee oikea
käsi sauvan lattiaan ja samassa silmänräpäyksessä vasen käsi
temmataan alas perusasentoonsa (kuv. 56). Kom. sanat: S a u v a
j a l a l l e — v i e ! Kun sauva viimemainitusta asennostaan on
p o i k i t t a i n e t e e n vietävä, niin oikea käsi kohottaa sauvan pari
senttimetriä lattiasta ja samassa vasen käsi tarttuu sauvan ylipäästä
kiinni. Toisessa tempussa vasen käsi vetää sauvan poikittain eteen,
jolloin oikea käsi luiskahtaa sauvan toiseen päähän. Kom. sanat:
Sauva poikittain eteen — vie!
 Kuva 54. Kuva 55. Kuva 56.

Tästä viedään sauva o i k e a l l e k ä d e l l e niinikään kahdessa

tempussa. Vasenta kättä koukistamalla ja kohottamalla nostetaan
sauva ensin oikealle kädelle pystyyn, jolloin ensimainittu käsi liukuu
sauvaa pitkin alaspäin, kunnes se tulee samaan tasapintaan kuin sen
olkapää ja kyynärpää (kuv. 57). Oikea käsi muuttaa otteensa siten,
että sauva tulee seisomaan etusormella tahi pitkällä sormella;
peukalo tulee sauvan etupuolelle. Toisessa tempussa vasen käsi
viedään perusasentoonsa (kuv. 58). Kom. sanat: S a u v a
o i k e a l l e k ä d e l l e — v i e ! Oikealta kädeltä sauva viedään
kahdessa tempussa ja edellisiä temppuja vastaavilla liikkeillä takaisin
alkuasentoonsa (poikittain eteen).
 Kuva 57. Kuva 58.

Kun sauva oikealta kädeltä on j a l a l l e laskettava, niin aluksi

vasen käsivarsi koukistetaan rinnan eteen sillä tavoin, että se
rintaanpäin käännetyllä kämmenellään voipi olan kohdalta sauvasta
ottaa kiinni. Toisessa tempussa oikea käsi nopeasti ottaa vasemman
ylipuolelta sauvasta kiinni ja tempaa samassa sauvan jalalle, jolloin
myös vasen käsi äkisti laskeutuu perusasentoonsa. Kom. sanat:
S a u v a j a l a l l e — v i e ! Jalalta sauva viedään oikealle kädelle
seuraavalla tavalla: Oikea käsi heittää ylös sauvan, josta vasen käsi,
kämmen rintaanpäin käännettynä, tarttuu kiinni, ja samassa oikea
käsi siirtää otteensa sauvan alipäähän. Seuraavassa tempussa vasen
käsi menee perusasentoonsa. Kom. sanat: S a u v a o i k e a l l e
kädelle — vie!
Sauvan nostaminen ja vieminen eri asentoihin ovat yksinkertaisia
liikkeitä. Jos sauva käsivarsia koukistamalla kohotetaan olkapäitä
kohti, niin sanotaan sen olevan nostettuna r i n n a l l e (kuv. 59). Tätä
ja muita liikkeitä tehtäessä ruumiin ryhtiä ei saa millään tavoin
huonontaa. Sauva nostetaan e t e e n p ä i n, jolloin käsivarret tulevat
vaakasuoraan tasoon (kuv. 60), ja y l ö s p ä i n; käsivarret pidetään
silloin pystysuorasti. Sauvan ollen näissä asennoissa ovat
ranneniveleet täydesti ojennettavat. Jos sauva ylöspäin olevasta
asemastaan lasketaan sivullepäin, esim. vasempaan, kunnes vasen
käsivarsi tulee vaakasuoraan tasoon ja oikea pystyyn, niin sauvan
sanotaan olevan vietynä y l h ä ä l t ä v a s e m p a a n (kuv. 61). Ellei
sauva ole tarpeeksi pitkä, saapi oikeaa käsivartta hieman koukistaa,
vaan vasenta (ulospäin ojennettua) ei ensinkään. Jos vasen käsi
viimemainitusta asemastaan viedään etuviistoon tahi ulkoviistoon,
niin sauvan sanotaan olevan vietynä y l h ä ä l t ä v a s e m m a l l a
e t u v i i s t o o n ja y l h ä ä l t ä v a s e m m a l l a u l k o v i i s t o o n.
Vastaavat asennot oikeallepäin ovat y l h ä ä l t ä o i k e a a n,
y l h ä ä l t ä o i k e a l l a e t u v i i s t o o n ja y l h . o i k e a l l a
u l k o v i i s t o o n.
 Kuva 59. Kuva 60.

Kuva 61.

Kun sauva poikittain eteen viedystä alkuasennosta viedään

sivullepäin, esim. oikeaanpäin, sillä tavalla, että oikea käsivarsi tulee
suoraan ulospäin ojennetuksi ja vasen käsi, kyynärniveleestään
koukistettuna, tulee rinnalle hieman likemmäksi oikeaa
kainalokuoppaa, niin sauvan sanotaan olevan nostettuna u l o s -
o i k e a a n p ä i n (kuv. 62). Jos sitten oikea käsi ynnä sauva
nostetaan pystysuorasti ylöspäin, mutta vasen käsi yhä pysyy
paikallaan, niin sauva tulee nostetuksi o i k e a l l e y l ö s. Samalla
tavalla sauva viedään ulos-vasempaanpäin ja
v a s e m m a l l e y l ö s (kuv. 63).
Jos sauva koukistetuilla käsivarsilla viedään pään ylitse hartijoille
vaakasuoraan asemaan, niin sanotaan sen olevan vietynä n i s k a a n
(kuv. 64). Tästä saattaa esim. vasemman käden ojentaa ulospäin,
jolloin oikea käsivarsi koukistuu ja sen käsi lähenee niskaa. Silloin on
sauva vietynä n i s k a a n v a s e m m a l l e.

Kuva 62. Kuva 63. Kuva 64.

Kun sauva alkuasennostaan toisella kädellä, esim. oikealla,

viedään pään ylitse ja toinen käsivarsi koko ajan pysyy alaspäin
ojennettuna, niin sauva tulee oikean o l a n t a a k s e (kuv. 65).
Koukistetun käsivarren kyynärpää on vedettävä likelle sivua. Tästä
saattaa oikeankin käden laskea alaspäin, niin että molemmat
käsivarret tulevat alaspäin ojennetuiksi. Sauva on silloin vietynä
t a a k s e a l a s (kuv. 66.)
 Kuva 65. Kuva 66.

Jos sauva alkuasennostaan viedään esim. vasempaan vartalon

ympäri siten, että se tulee lepäämään ristiluilla, niin sanotaan sen
olevan vietynä vasemman l o n k a n t a a k s e (kuv. 67). Toinen
käsivarsi on silloin ojennettuna selän taakse ja toinen koukistettuna
rinnalle.

Kuva 67. Kuva 68. Kuva 69.

 Muutamissa harjoituksissa pidetään sauva s e l ä n t a k a n a
k ä t t e n a l l a. Edellisellä sivulla oleva kuva osoittaa meille selvästi,
miten sauva ja käsivarret silloin ovat pidettävät.
Sauvan vienti syvään toisen jalan etu- taikka
s i s ä p u o l e l l e tulee polvi- ja sääriasennoissa kysymykseen. Jos
sauva on vietävä sisäpuolelle jalkaa (katso kuv. 69), niin se käsivarsi
on vietävä taaksepäin, jonka puolinen sääri on ojennettu.
J a l a n n o s t o s a u v a n y l i . Toinen sääri koukistetaan kaikissa
niveleissään ja viedään sitten kätten välistä sauvan yli (kuv. 70) sekä
ojennetaan eteenpäin tahi lasketaan varpaine lattiaan. Sitten pää
pystyyn, selkä suoraksi ja rinta ulos. Liikettä tehtäessä älköön
seisovan säären polviniveltä notkistettako.
Muutamissa alkuasennoissa ja muutamia liikkeitä tehtäessä sauva
on toisessa kädessä, joka silloin pitää sauvan keskikohdasta kiinni
(kuv. 71). Kannattajakäsivartta saattaa alkuasennossa pitää joko
suora- tahi teräväkulmaisesti koukistettuna. Jälkimmäisessä
tapauksessa kannattajakäsi on likellä hartijaa; molemmissa
tapauksissa sen kyynärpää on hieman taaksepäin vedettävä.

Kuva 70. Kuva 71.

 V. Telineharjoituksia
1. Harjoituksia vaakasuoralla tangolla
(rekillä).

Kuva 72.

Tanko on tehtävä teräksestä tai raudasta ja itse teline sellaiseksi, että tankoa
helposti voi ylentää ja alentaa. Vieressä oleva kuva näyttää meille kolme rekkiä,
joista jokaisen pituus on 2 metriä ja ympärys 10 senttimetriä. Päistään ovat rekit
paksummat ja nelisärmäiset.

Harjoituksia matalalla rekillä.

Seisonoja. Rekin korkeus maasta 50-70 sm. Myötäotteella

(kämmenet poispäin) rekistä kiinni otettua viedään molemmat jalat,
joko yht’aikaa hyppäyksellä tahi yksitellen taaksepäin, kunnes
ruumis, täydesti ojennettuna, tulee lepäämään varpailla ja alaspäin
ojennetuilla käsivarsilla (kuv. 73). Tässä alkuasennossa saattaa
harjoittaa k ä t t e n k o u k i s t u s t a ja o j e n n u s t a sekä
k ä s i v a r r e n j a e r i s i v u i s e n s ä ä r e n n o s t o a . Edellisessä
harjoituksessa rinta lasketaan likelle tankoa, jolloin kyynärpäät
viedään ulospäin. Selän tulee koko ajan pysyä suorana.
Jälkimmäisessä harjoituksessa toinen sääri nostetaan ylöspäin ja
samassa erisivuinen käsivarsi ojennetaan ruumiinsuuntaan ylös.
Nostettu sääri on polvi- ja nilkkaniveleistään suorana. Sitten
päinvastoin.
Seisoriipunta. Vieressä oleva kuva näyttää meille
alkuasennon, jossa sitten saattaa tehdä erilaisia harjoituksia, esim.
käsinkulkua sivullepäin, otteenvaihtoa
(myötäotteesta vastaotteesen ja päinvastoin), s ä ä r e n n o s t o a
sekä k ä t t e n k o u k i s t u s t a. Viimemainitussa harjoituksessa
kohotetaan rinta, ruumiin ryhtiä muuttamatta, niin likelle rekkiä kuin
mahdollista. Seisoriipunnasta perusasentoon mennessä ruumis
temmataan pystyyn pääasiallisesti käsivoimien avulla.
 Kuva 73.

Kuva 74.

Hyppäyksellä jännitystaivutukseen. Tavallisesta

asennosta rekin toisella puolella (kädet myötäotteella) viedään jalat
äkkiä eteenpäin toiselle puolelle rekkiä ja samassa yliruumis
kohotetaan ylös, niin että tullaan kuvassa 87, (sivulla 69) osoitettuun
asentoon. Tästä jännitystaivutus-asennosta mennään perusasentoon
joko hyppäyksellä takaisin taaksepäin tahi kohottamalla ruumis
pystyyn vatsalihaksien avulla.
Hyppäys suoranojaan.[2] Liikettä voi harjoittaa sekä luvun
mukaan että tahdissa ja sitä tehtäessä voipi jalkoja heittää
taaksepäin tai sääriä hajoittaa ulospäin. Suoranojassa pidetään pää
pystyssä, rinta pullistettuna, hartijat alaspäin vedettyinä, selkä
suorana, suljetut ja täydesti ojennetut sääret taaksepäin nostettuina
(kuv. 75). Tätä asentoa voipi käyttää alkuasentona muutamiin
harjoituksiin, joista tässä mainittakoon tavallisimmat. To i n e n
s ä ä r i nostetaan tangon yli ja viedään samaa tietä takaisin. Kun
sääri on nostettu tangolle (kuv. 76) ja samanpuolinen käsi on
muuttanut otteensa aliotteeksi ulkopuolelle säärtä, niin voidaan,
heittämällä toista säärtä tangon yli, h y p ä t ä maahan toiselle
puolelle tankoa. Laskuhyppäystä tehtäessä käännytään ensimainittua
kättä kohti ja tämä käsi pitää yhä tangosta kiinni. Aliote on
muuttunut selkäotteeksi.

Kuva 75. Kuva 76.

Ellei laskuhyppäystä tarkoiteta, on toinen sääri varovasti ja hitaasti

nostettava tangon yli; siten päästään t ä y s i - i s t u n t a a n rekille.
Alussa on opettajan apu tarpeellinen. Suoranojasta saattaa ilman
säären nostamistakin päästä tangolle istumaan, jos ruumis
kohotetaan, käännetään ja kierretään, jolloin tullaan kätten väliin
istumaan. Tätäkin harjoitettaessa on opettajan apu alussa
välttämätön.
Suoranojasta voivat enemmän kehittyneet oppilaat harjoittaa
p y ö r ä h d y s t ä tangon ympäri, jolloin jalat kulkevat edellä ja
ruumiin painokeskus on pidettävä niin likellä tankoa kuin mahdollista.
Pyörähdyksen saattaa myöskin tehdä istualta taaksepäin, mutta
silloin on rekki pidettävä polvitaipeissa. Molemmissa harjoituksissa
myötäote. Kun toinen sääri on nostettu tangon yli ja sen polvinivel
koukistettu (kuv. 77), niin pyörähdystä tangon ympäri voi harjoittaa
sekä eteen- että taaksepäin. Edellisessä tapauksessa aliote
(vastaote), jälkimmäisessä myötäote.

Kuva 77.

Hyppäystä tangon yli voi harjoitella monella eri tavalla.

Yksinkertaisinta lajia sanotaan a i t a h y p p ä y k s e k s i. Hypätessä
toinen jalka astuu rekille lähelle kättä, jonka jälkeen laskuhyppäys
suoritetaan. Jos molemmat sääret yht’aikaa heitetään sivultapäin
tangon ylitse, niin hyppäystä sanotaan s i v u h y p p ä y k s e k s i.
Kädet myötäotteella. Opettaja pitäköön hyppääjän vasemmasta
käsivarresta kiinni, kun hyppäys tehdään oikeaan, ja päinvastoin.
 K y y k k y h y p p ä y k s e s s ä viedään molemmat jalat yht’aikaa
kätten välistä rekin yli. Kädet lasketaan irti silloin, kun jalat ovat
päässeet rekin toiselle puolelle. Jos hypätessä toinen jalka viedään
kätten välistä, mutta toinen sääri ojennettuna samansivuisen käden
ulkopuolelta, niin harjoitusta sanotaan s u d e n l o i k k a u k s e k s i.
H a a r a h y p p ä y s tehdään siten, että molemmat sääret, täydesti
ojennettuina, heitetään tangon yli ulkopuolelta käsiä. Kaksi
vastaanottajaa tarvitaan.

Harjoituksia korkealla rekillä.

Suorariipunta on tavallisin alkuasento korkealla rekillä

tehtäviä harjoituksia varten. Pää pidetään pystyssä, sääret suorina ja
suljettuina. Tässä riippuasennossa harjoitellaan helpompia liikkeitä
kuten o t t e e n v a i h t o a, käsinkulkua s i v u l l e p ä i n,
s ä ä r t e n h a j o i t u s t a, j a l a n - ja p o l v e n n o s t o a sekä
p o l v e n k o u k i s t u s t a ja o j e n n u s t a v a i h d e l l e n. Tämä
viimemainittu harjoitus tehdään siten, että toinen sääri
perinpohjaisesti koukistetaan samassa kuin toinen sääri voimakkaasti
ojennetaan taaksepäin; sitten vaihto useampia kertoja perätysten.
Polvia saattaa nostaa eteenpäin joko vuorotellen taikka molemmat
yht’aikaa. Harjaantuneemmat voimistelijat nostavat polvensa
käsivarsien väliin, niin että jalkarinnat tulevat tangolle. Tästä saattaa
pistää jalat kätten välistä tangon toiselle puolelle ja laskea ne
alaspäin. Liikettä sanotaan silloin n e u l a n s i l m ä k s i. Kädet
lasketaan irti, kun jalat tulevat alaspäin.
Kättenkohonta („käsivoima“). Kun suorariipunnasta
käsivarsia koukistamalla mennään koukkuriipuntaan, niin liikettä
sanotaan k ä t t e n k o h o n n a k s i (»vedetään käsivoimia»). Vasta-
alkavat tyytykööt, jos tätä liikettä tehtäessä saavat leukansa tangon
yläpuolelle; harjaantuneet voimistelijat kohottavat ruumiinsa vielä
paljon korkeammalle. Alussa kohonta tehdään vastaotteella,
myöhemmin myötäotteella.
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookultra.com