黎曼流形的优化核投影空间
计算机视觉与模式识别
2016-03-16 v3
摘要
已证明，通过对称正定（SPD）矩阵编码图像和视频，并考虑所得空间的黎曼几何，可以提高分类性能。考虑流形几何通常通过将流形嵌入切空间或再生核希尔伯特空间（RKHS）来实现。最近，研究表明将此类流形嵌入随机投影空间（RPS）而非RKHS或切空间，可以获得更高的分类和聚类性能。然而，根据随机生成超平面的结构和维度，RPS上的分类性能可能有显著差异。此外，RPS的微调需要验证数据，耗时且资源消耗大。在本文中，我们提出了一种通过利用子空间聚类概念来学习具有固定维度的优化核投影（OPS）的方法。由此，我们编码每个数据点到其底层子空间的关联，以生成有意义的超平面。此外，我们采用字典学习和稀疏编码以及判别分析的概念，用于SPD流形上的优化核投影空间。我们在多个分类任务上验证了我们的算法。实验结果还表明，该方法在流形上的表现优于最先进的方法。
引用
@article{arxiv.1602.03570,
title = {Optimized Kernel-based Projection Space of Riemannian Manifolds},
author = {Azadeh Alavi and Vishal M Patel and Rama Chellappa},
journal= {arXiv preprint arXiv:1602.03570},
year = {2016}
}
备注
14 pages, 6 figures, conference