协方差与直方图描述子的图像数据压缩
机器学习
2015-05-26 v2 计算机视觉与模式识别
机器学习
摘要
协方差和直方图图像描述子提供了一种捕捉图像信息的有效方式。当与专用距离度量结合使用时，两者均表现优异。对于协方差描述子，这些度量测量的是对称正定矩阵的非欧几里得黎曼流形上的距离。对于直方图描述子，Earth Mover's distance 测量两个直方图之间的最优传输。尽管这些距离度量更为精确，但其计算成本非常高昂，使得它们在许多应用中不切实际，即使对于仅有数千个样本的数据集也是如此。在本文中，我们提出了两种压缩协方差和直方图数据集规模的方法，仅使 k-近邻分类的测试误差略有增加。具体而言，我们证明可以将数据集缩减至原始大小的 16%，在某些情况下甚至低至 2%，同时近似匹配在全训练集上进行 kNN 分类的测试误差。事实上，由于压缩集是以监督方式学习得到的，它有时甚至优于完整数据集，同时仅需一小部分存储空间并大幅减少测试时的计算量。
引用
@article{arxiv.1412.1740,
title = {Image Data Compression for Covariance and Histogram Descriptors},
author = {Matt J. Kusner and Nicholas I. Kolkin and Stephen Tyree and Kilian Q. Weinberger},
journal= {arXiv preprint arXiv:1412.1740},
year = {2015}
}