学习局部不变的马氏距离
本文讨论如何在旋转的航拍图像中高效地检测目标物体。我们针对传统八参数方法中使用的非比例损失函数(L1,L2 和平滑 L1)与检测度量旋转交集联合(IoU)的不稳定性,提出了一种新的基于马氏距离的损失函数,称之为马氏距离损失(MDL)。我们的实验结果表明,与传统的平滑 L1(smooth L1)损失相比,使用 MDL 在旋转目标检测方面表现更加优异。
Apr, 2022
本文提出一种快速且可扩展的机器学习算法,用于学习马氏距离指标,并利用凸优化原理和梯度下降方法解决距离度量问题,实现在计算复杂性方面的显著提高,达到与现有方法相当的分类准确度。
Mar, 2010
本文提出了一个新颖的具有转换不变性的特征学习框架,将线性转换纳入特征学习算法中,可应用于无监督学习方法,如自动编码器或稀疏编码,证明在 MNIST 变化,CIFAR-10 和 STL-10 等图像分类基准数据集上具有优越的分类性能并在 TIMIT 数据集上实现了最先进的电话分类任务的结果。
Jun, 2012
本文系统地综述了度量学习的前沿研究进展,着重分析了 Mahalanobis 距离度量学习、非线性度量学习、局部度量学习等新近涌现的强大替代方法,讨论了对于结构化数据的度量学习中仍存在的挑战,旨在给出度量学习近年来的发展方向。
Jun, 2013
这项工作提供了基于 PAC 风格的样本复杂度给监督式度量学习,并通过使用数据分布的结构,展示了适用于特定隐含复杂的例子的适当匹配的速率。实验也表明,规范化度量学习优化准则可以帮助适应数据集的固有复杂性,从而提高泛化性能。
May, 2015
本研究基于深度学习,提出了新的图像聚类方法,通过学习图像变换并在图像空间直接进行聚类,并可以轻松处理聚类中的不变性,实现了对聚类中心和聚类分配的解释性。研究表明,该方法在标准图像聚类基准测试中具有极高的竞争性和前景性。
Jun, 2020
本文提出了一种严谨和系统的方法来量化任何分类器对几何变换的不变性,并使用该方法证明了数据增强对学习不变性的重要性,以及卷积神经网络深度增加时不变性的增加。该方法可应用于评估和比较分类器的不变性,并有助于改进现有分类器的不变性。
Jul, 2015
本篇论文提出一种新的核函数以及一种新的编辑相似性模型,可以更好地优化距离和相似度函数,提高 k 近邻算法的性能,并在学习相似性时考虑到泛化能力与算法的稳定性, 解决了当前度量学习方法的局限性,为特征向量和结构化对象(如字符串或树)的度量学习提供了新方法。
Jul, 2013
本文针对在安全关键应用中如自主车辆系统的分类验证需求,提出了在潜变量空间中使用马氏距离来捕获偏离已知正常样本和模型参数定义的潜变量流形之间的异常值,以提高异常检测性能。
Dec, 2018
本文介绍了在 Mahalanobis 距离中应用草图技术加速算法的研究,提供了适用于 Mahalanobis 距离的数据结构,可处理自适应查询和在线更新,并与在线学习 Mahalanobis 度量的先前算法相结合。
Sep, 2023