Grassmann 流形上的核化低秩表示
计算机视觉与模式识别
2015-04-09 v1
摘要
低秩表示（LRR）最近在探索嵌入数据中的低维子空间结构方面因其令人愉悦的有效性而引起了极大兴趣。其成功应用之一是子空间聚类，即根据数据所属的子空间对其进行聚类。在本文中，我们在更高层次上旨在将子空间聚类为子空间类。这自然地描述为 Grassmann 流形上的聚类问题。本文的创新之处在于在一个统一的核化框架中，将欧几里得空间上的 LRR 推广到 Grassmann 流形上的 LRR 模型。新方法在计算机视觉任务中有许多应用。我们在手写数字图像、动态纹理、人脸片段和交通场景序列上进行了若干聚类实验。实验结果表明，所提出的方法优于许多最先进的子空间聚类方法。
引用
@article{arxiv.1504.01806,
title = {Kernelized Low Rank Representation on Grassmann Manifolds},
author = {Boyue Wang and Yongli Hu and Junbin Gao and Yanfeng Sun and Baocai Yin},
journal= {arXiv preprint arXiv:1504.01806},
year = {2015}
}
备注
13 pages