Bag 系统上的对齐距离

近期在图像与视频识别中的研究表明，许多视觉过程可以被视为由时变生成模型所生成。因此，视觉过程的一种近似描述模型是随时间变化的统计分布。具体而言，将视觉过程建模为由核化线性动态系统生成的直方图流被证明是高效的。我们将这种模型称为 Bag 系统。在本工作中，我们研究 Bag 系统，重点关注动态场景与动态纹理。线性动态系统的参数存在歧义。为了在核化设置中应对这些歧义，我们开发了核化版本的对齐距离。为了进行计算，我们使用了 Jacobi 型方法并证明了其向一组临界点的收敛性。我们将其用作 Bag 系统上的不相似性度量。如此一来，在所有测试的分类设置中，它的表现均优于核化线性动态系统已知的其他不相似性度量，特别是 Martin 距离和最大奇异值距离。在相对于视频集抽象均值进行分类的设置中，可以观察到相当大的优势。对于这一场景，所提出的方法可以超越 SOTA 技术，如动态分形谱或正交张量字典学习。