用于信息融合的判别型多典型相关分析
机器学习
2021-03-02 v1
摘要
本文提出判别型多典型相关分析（DMCCA）用于多模态信息分析与融合。DMCCA能够从多模态信息表示中提取更具判别性的特征。具体而言，它寻找同时最大化类内相关并最小化类间相关的投影方向，从而更好地利用多模态信息。在此过程中，我们分析证明DMCCA的最优投影维度可被相当准确地预测，从而带来更优性能并大幅降低计算成本。我们进一步验证典型相关分析（CCA）、多典型相关分析（MCCA）与判别型典型相关分析（DCCA）均为DMCCA的特例，由此建立典型相关分析的统一框架。我们实现DMCCA的原型以展示其在手写数字识别与人类情绪识别中的性能。大量实验表明DMCCA优于串行融合、CCA、MCCA与DCCA等传统方法。
关键词
引用
@article{arxiv.2103.00361,
title = {Discriminative Multiple Canonical Correlation Analysis for Information Fusion},
author = {Lei Gao and Lin Qi and Enqing Chen and Ling Guan},
journal= {arXiv preprint arXiv:2103.00361},
year = {2021}
}