基于视图自助采样的广义多视图共享子空间学习
机器学习
2021-09-15 v1 计算机视觉与模式识别
声音
音频与语音处理
信号处理
机器学习
摘要
多视图学习的一个关键目标是建模一类对象/事件的多个并行视图所共有的信息，以改进下游学习任务。在此背景下，两个开放研究问题仍然存在：我们如何对每次事件的数百个视图进行建模？我们能否在完全不知这些视图如何获取的情况下学习鲁棒的多视图嵌入？我们提出了一种基于多视图相关性的神经方法，通过在训练中以视图无关的方式对视图进行子采样，来捕获大量视图间共享的信息。为给出给定嵌入维度下需子采样的视图数量的上界，我们利用矩阵集中理论分析了自助采样多视图相关性目标的误差。我们在语音单词识别、3D物体分类和姿态不变人脸识别上的实验证明了视图自助采样在建模大量视图时的鲁棒性。结果凸显了我们的方法在视图无关学习设定中的适用性。
引用
@article{arxiv.2005.06038,
title = {Generalized Multi-view Shared Subspace Learning using View Bootstrapping},
author = {Krishna Somandepalli and Shrikanth Narayanan},
journal= {arXiv preprint arXiv:2005.06038},
year = {2021}
}