Grassmann流形的保局投影
计算机视觉与模式识别
2017-04-28 v1
摘要
Grassmann流形上的学习已在许多计算机视觉任务中变得流行，其具有提取图像集和视频判别信息的强大能力。然而，此类学习算法尤其在高维Grassmann流形上总是伴随极高的计算成本，严重限制了Grassmann流形学习在更广泛应用领域的适用性。在本研究中，我们提出一种基于保局投影(Locality Preserving Projections, LPP)准则的Grassmann流形无监督降维算法。LPP是一种常用于向量值数据的降维算法，旨在在降维空间中保持数据的局部结构。该策略是构建从更高维Grassmann流形到相对低维且更具判别能力的流形之间的映射。所提方法可优化为一个基本特征值问题。我们提出的方法在多个分类和聚类任务上进行了评估，实验结果表明其相对于其他基于Grassmann的算法具有明显优势。
引用
@article{arxiv.1704.08458,
title = {Locality Preserving Projections for Grassmann manifold},
author = {Boyue Wang and Yongli Hu and Junbin Gao and Yanfeng Sun and Haoran Chen and Baocai Yin},
journal= {arXiv preprint arXiv:1704.08458},
year = {2017}
}
备注
Accepted by IJCAI 2017