使用正定对称 (SPD) 矩阵表示图像和视频，并考虑到所得空间的里曼尼几何，已被证明在许多识别任务中有益。本文引入了一种方法来构建一个更具判别力的低维 SPD 流形以处理高维 SPD 矩阵，并将学习表述为 Grassmann 流形上的优化问题。实验表明，与现有技术相比，我们的方法可使分类准确性显著提高。

Jul, 2014

本篇论文介绍了如何通过构造一个低维对称正定矩阵流形来解决高度计算成本的难题，并进一步提出了一种处理高维对称正定矩阵的算法，以此来实现降维，最后在多个分类任务中验证了该方法的有效性。

May, 2016

本文提出了一种利用黎曼几何学习固定秩半正定矩阵流形的几何感知 SPD 相似性学习框架，通过在 PSD 流形中优化来学习具有判别性的 SPD 特征，优于现有的基于 SPD 的判别学习方法。

Aug, 2016

该论文提出使用 Riemann 流形进行稀疏编码和字典学习以帮助计算机视觉问题，通过嵌入再生核赫尔伯特空间来解决稀疏编码问题，并进一步提出一种学习 Riemann 字典的算法，实验结果表明其比现有的算法更为准确。

Apr, 2013

通过使用 Log-Euclidean 核，将 SPD 矩阵嵌入到重现核希尔伯特空间中，构建了在 SPD 流形上的核稀疏子空间聚类方法，即 KSSCR。通过利用数据内在的 Riemann 几何来发现潜在的子空间结构。实验证明，该方法比现有方法具有更好的聚类效果。

Jan, 2016

本文介绍了一种基于 Riemannian 网络架构的 SPD 矩阵非线性学习方法，使用双线性映射层、特征值矫正层和特征值对数层，使用基于 Stiefel 流形的变体随机梯度下降法来训练此深度网络。实验证明，该网络简单易用，并在三个典型的视觉分类任务中优于现有的 SPD 矩阵学习和现有最先进的方法。

Aug, 2016

在 Riemann 流形上的深度神经网络已经在各个应用领域受到越来越多的关注，其中包括球面和双曲面流形上的 DNN 在计算机视觉和自然语言处理任务中的广泛应用。而球面和双曲面流形能够应用双翼运算和双翼向量空间的丰富代数结构，为成功的深度神经网络在这些流形上的推广提供了基础。最近的一些研究表明，双翼运算和双翼向量空间理论中的许多概念也能够推广到矩阵流形，比如对称正定和 Grassmann 流形。基于这些工作，我们设计了用于对称正定流形上的全连接和卷积层，并在 Grassmann 投影视角上提出了一种使用 Grassmann 对数映射进行反向传播的方法。我们在人类动作识别和节点分类任务中验证了这种方法的有效性。

May, 2024

本文介绍了一种基于 Riemann 流形的批量归一化算法，利用 Riemann 流形上的几何操作和结构化矩阵变换进行设计，提出了一种新的流形约束梯度下降算法，在三个不同的数据类型上进行实验证明其可以提高分类性能和鲁棒性。

Sep, 2019

提出了一种低复杂度的黎曼子空间下降算法，通过利用选择的子空间，并将更新写为迭代点的 Cholesky 因子和一个稀疏矩阵的乘积，避免了矩阵幂运算和密集矩阵乘法，能够高效地计算黎曼梯度，特别适用于协方差估计等领域。

May, 2023

发展了利用核方法处理测地线非欧几里得空间数据的方法，具体地，提出了基于高斯径向基函数的正定核定义，用于将给定流形嵌入到高维再生核希尔伯特空间，同时该方法具有适用于计算机视觉的两种流形的正定核，并说明欧几里得空间中的支持向量机和主成分分析等算法可应用于测地线非欧几里得空间的数据中。

Nov, 2014