用于模式集匹配的判别式扩展典型相关分析
计算机视觉与模式识别
2013-06-11 v1
摘要
本文解决了嵌入在同一输入空间中的向量集匹配问题。我们提出了一种受典型相关分析（CCA）启发的方法，CCA 是一种已在各种模式识别问题中证明成功的统计技术。与应用于集合匹配的 CCA 类似，我们的扩展典型相关分析（E-CCA）旨在提取两个集合中最相似的变异模式。我们的首要贡献是构建了一个原则性框架，用于在与噪声和采样随机性相关的不确定性存在下，从数据中稳健地推断此类模式。E-CCA 保留了 CCA 的效率和闭式可计算性，但与之不同的是，它不具备无法直接从数据中推断的自由参数（固有数据维度和用于集合相似度计算的典型相关数量）。我们的第二个主要贡献是表明，与 CCA 相反，E-CCA 易于适应一种判别式学习方案，我们称之为判别式扩展典型相关分析（DE-CCA）。本文的理论贡献之后是对其在光栅化外观图像集的人脸识别任务上的前提进行了实证评估。结果表明，对于其自由参数的所有取值，我们的方法 E-CCA 已经优于 CCA 及其准判别式对应物约束 CCA（C-CCA）。而判别式变体 DE-CCA 则实现了更大的改进。
引用
@article{arxiv.1306.2100,
title = {Discriminative extended canonical correlation analysis for pattern set matching},
author = {Ognjen Arandjelovic},
journal= {arXiv preprint arXiv:1306.2100},
year = {2013}
}
备注
Machine Learning, 2013