无限维协方差矩阵的Bregman散度
计算机视觉与模式识别
2014-06-12 v3
摘要
我们引入了一种在无限维空间中计算和比较协方差描述子(CovDs)的方法。协方差描述子在计算机视觉中越来越流行，用于解决分类问题。虽然协方差描述子对测量变化具有一定的鲁棒性，但它们仅保留测量的二阶统计量，从而丢弃了原始数据中的部分信息。在这里，我们提出通过首先将原始数据映射到高维希尔伯特空间，然后才计算协方差描述子来克服这一限制。我们证明，通过使用核，可以在希尔伯特空间中计算得到的协方差描述子之间的几种Bregman散度。然后，我们利用这些散度进行分类。我们的实验在多个任务上展示了我们方法的优势，例如材料和纹理识别、行人重识别以及基于运动捕捉数据的动作识别。
引用
@article{arxiv.1403.4334,
title = {Bregman Divergences for Infinite Dimensional Covariance Matrices},
author = {Mehrtash Harandi and Mathieu Salzmann and Fatih Porikli},
journal= {arXiv preprint arXiv:1403.4334},
year = {2014}
}
备注
IEEE Conference on Computer Vision and Pattern Recognition (2014)