DeepKSPD：基于核矩阵 SPD 表示学习的细粒度图像识别
计算机视觉与模式识别
2017-11-15 v1
摘要
作为对称正定（SPD）矩阵，协方差矩阵传统上用于表示视觉识别中一组局部描述子。近期研究表明，核矩阵通过建模局部描述子集中的非线性，可给出明显更好的表示。然而，无论是描述子还是核矩阵都未被深度学习。更糟的是，它们被分开考虑，阻碍了最优 SPD 表示的追求。本工作提出一种深度网络，通过端到端训练过程联合学习局部描述子、基于核矩阵的 SPD 表示以及分类器。我们推导了从局部描述子集到 SPD 表示映射的导数以执行反向传播。此外，我们利用算子论中的 Daleckii-Krein 公式给出微分 SPD 矩阵函数（包括用于处理核矩阵黎曼几何的矩阵对数）的简洁统一结果。实验不仅显示了基于核矩阵的 SPD 表示结合深度局部描述子的优越性，也验证了所提深度网络在细粒度图像识别任务中追求更优 SPD 表示的优势。
引用
@article{arxiv.1711.04047,
title = {DeepKSPD: Learning Kernel-matrix-based SPD Representation for Fine-grained Image Recognition},
author = {Melih Engin and Lei Wang and Luping Zhou and Xinwang Liu},
journal= {arXiv preprint arXiv:1711.04047},
year = {2017}
}