对称正定矩阵的黎曼度量学习
计算机视觉与模式识别
2015-01-13 v1 机器学习
摘要
在过去的几年中，对称正定（SPD）矩阵受到了计算机视觉界的相当关注。尽管过去提出了各种用于比较SPD矩阵的距离度量，但两种最广泛使用的度量是仿射不变距离和对数欧氏距离。这是因为这两种度量是由黎曼几何诱导的真实测地距离。在这项工作中，我们关注对数欧氏黎曼几何，并提出了一种数据驱动的方法来学习SPD矩阵的黎曼度量/测地距离。我们表明，在人脸匹配和聚类任务上评估时，使用所提方法学习的测地距离比各种现有距离度量表现更好。
引用
@article{arxiv.1501.02393,
title = {Riemannian Metric Learning for Symmetric Positive Definite Matrices},
author = {Raviteja Vemulapalli and David W. Jacobs},
journal= {arXiv preprint arXiv:1501.02393},
year = {2015}
}