广义相关学习 Grassmann 量化
计算机视觉与模式识别
2024-03-15 v1 机器学习
摘要
由于数码相机的进步，很容易从不同条件下收集一个物体的多张图像（或视频）。因此，图像集分类吸引了更多关注，并提出了不同的解决方案来对其进行建模。一种流行的图像集建模方法是子空间，这些子空间形成了一个称为 Grassmann 流形的流形。在本项贡献中，我们扩展了广义相关学习向量量化的应用，以处理 Grassmann 流形。所提出的模型返回一组原型子空间和一个相关性向量。原型对类别内的典型行为进行建模，而相关性因子则指定了对分类任务最具判别力的主向量（或图像）。它们都通过突出显示对预测有影响的图像和像素，提供了对模型决策的洞察。此外，由于学习原型，新方法在推理期间的模型复杂度与数据集大小无关，这与以往的工作不同。我们将其应用于多个识别任务，包括手写数字识别、人脸识别、活动识别和物体识别。实验表明，该方法以更低的复杂度超越了以往的工作，并能成功地对变化（如手写风格或光照条件）进行建模。此外，相关性的存在使模型对子空间维度的选择具有鲁棒性。
引用
@article{arxiv.2403.09183,
title = {Generalized Relevance Learning Grassmann Quantization},
author = {M. Mohammadi and M. Babai and M. H. F. Wilkinson},
journal= {arXiv preprint arXiv:2403.09183},
year = {2024}
}