基于混合高斯拉普拉斯混合模型推导的 Fisher 向量与图像标注
本文提出了一种基于稀疏编码的 Fisher 向量编码策略 (SCFVC),用于高维局部特征表示,通过使用 CNN 描述符与 SCFVC 方法,我们在多种基准测试数据集上都取得了最先进的表现。
Nov, 2014
本研究中,我们引入了非独立同分布模型来提高图像特征表示方法的性能,并通过模型的超参数的数据对数似然梯度来编码图像。我们同时使用变分自由能边界来学习超参数和计算近似的 Fisher kernels,其结果表明,与现有的特征集成方法中使用的幂归一化方法相比,我们的模型会提高性能。
Oct, 2015
本文介绍了一种名为 Completed Fisher vector(CFV)的图像表示方法,相较于传统的 Fisher vector(FV),CFV 不仅能够描述局部特征的方差,还能够描述局部特征的相关性,从而提高了鉴别能力,实验结果表明,CFV 在物体分类任务中表现优秀。
Apr, 2016
本研究旨在结合卷积神经网络和 Fisher Vector 编码策略,将 Fisher Vector 编码策略作为一个可训练的端到端可微的系统的一部分,并命名为 FisherNet,该方法优于传统卷积神经网络和标准 Fisher Vector 方法,在 PASCAL VOC 目标分类任务中获得了更好的分类准确性和计算效率。
Jul, 2016
提出一种新的方法,用于一般化贝叶斯非线性潜在变量建模,通过使用随机傅里叶特征来逼近高斯过程映射中的核函数,从而将 GPLVM 推广至泊松、负二项和多项分布等情况,并通过随机特征潜变量模型(RFLVM)对广泛的应用进行评估,结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。
Jun, 2023
本文研究了高斯混合模型的推广形式 —— 高斯 Copula 混合模型,基于此模型开发了拓展的 EM 算法估计其参数,通过使用独立的非参数统计方法对每个维度的边缘分布进行估计,GCMM 可以实现对数据更深入的挖掘。实验表明,与高斯混合模型相比,在具有相同簇数的情况下,GCMM 可以实现更好的拟合度,并且可以利用每个维度上的不同步数据进行挖掘。
May, 2023
考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布,本文提出使用高斯混合模型表示端元变化,通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系,基于此给出了一种用于估计混合像素分布和端元的方法,并在合成数据和真实数据上验证其效果。
Sep, 2017
使用分层相关传递技术,比较 Fisher Vector 分类器和 Deep Neural Networks 在图像分类中对于上下文的重要性、重要分析区域和数据中的潜在缺陷和偏见等方面的差异。
Dec, 2015
该文介绍了从 Bingham-von Mises-Fisher 分布中采样的拒绝和 Gibbs 抽样算法,并且说明了它们在分析蛋白质相互作用网络中的应用。
Dec, 2007