使用序约束核化特征子空间的序列摘要
计算机视觉与模式识别
2017-05-25 v1
摘要
能够紧凑且有效地捕捉语义内容时间演化的表示，对于处理多变量时间序列数据的机器学习算法至关重要。受人类动作识别任务的启发，我们研究了此类表示。这里每个数据实例由一个多变量特征（例如通过深度 CNN）编码，其中动作动力学由其随时间的变化来表征。由于这些特征通常是非线性的，我们提出了一种新颖的池化方法，即核化秩池化，它将给定序列紧凑地表示为 RKHS 中一个超平面参数的原像，数据投影到该超平面上能捕捉其时间顺序。我们进一步发展了这一思想，并表明这种池化方案可以转化为序约束核化 PCA 目标；然后我们提出使用核化低秩特征子空间的参数作为序列的表示。我们将我们的公式转化为广义 Grassmann 流形上的优化问题，然后使用黎曼优化技术高效地求解它。我们在多个使用不同特征模态的动作识别数据集上进行了实验，并展示了现有先进的结果。
引用
@article{arxiv.1705.08583,
title = {Sequence Summarization Using Order-constrained Kernelized Feature Subspaces},
author = {Anoop Cherian and Suvrit Sra and Richard Hartley},
journal= {arXiv preprint arXiv:1705.08583},
year = {2017}
}