基于核相关最大化与判别结构保持的跨模态子空间学习
计算机视觉与模式识别
2020-01-08 v3 多媒体
摘要
异构数据之间的度量仍是一个开放问题。已有许多研究工作致力于学习一个公共子空间，使得不同模态间的相似性可直接计算。然而，现有工作大多聚焦于学习潜在子空间，而语义结构信息未被很好保持。因此，这些方法无法获得理想结果。本文提出一种新颖框架，称为基于核相关最大化与判别结构保持的跨模态子空间学习（CKD），从两方面解决该问题。首先，我们构建共享语义图以使各模态数据在语义上保持邻域关系。其次，我们引入希尔伯特-施密特独立性准则（HSIC）以确保样本的特征相似性与语义相似性之间的一致性。我们的模型不仅通过最大化核相关考虑模态间相关性，还保持了各模态内的语义结构信息。我们在三个公开数据集上进行了大量实验以评估所提框架。实验结果表明，与经典子空间学习方法相比，所提CKD具有竞争力。
引用
@article{arxiv.1904.00776,
title = {Cross-modal Subspace Learning via Kernel Correlation Maximization and Discriminative Structure Preserving},
author = {Jun Yu and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:1904.00776},
year = {2020}
}
备注
The paper is under consideration at Multimedia Tools and Applications