不对称特征映射及其在基于草图检索中的应用
通过模型化特征提取器描述关键点周围的邻域,使用有限展开来估计空间变化的方向,利用谐波函数来确定关键点位置并描述邻域的物体形状,这对传统纹理特征是一种新的补充和附加,具有显著的验证和识别能力。
Nov, 2023
该研究提出了一种可学习的模块 —— 不对称卷积 (ACM),通过在大规模数据的离线训练中学习更好地捕获语义相关信息,有效克服了现有 Siamese 跟踪器中存在的问题。同时,将 ACM 集成到现有的 SiamFC,SiamRPN ++ 和 SiamBAN 中,实验证明 ACM 优于现有方法,在六项跟踪基准测试中均得到了令人满意的结果。
Dec, 2020
扩展了扩散映射形式化方法,提出了一种使用不对称核的数据集进行维度规约的算法,通过使用与 Fourier 基底张量积相关的坐标系统来表示数据集的几何结构,从而减少数据集的维度并利用两维快速 Fourier 变换算法(2-D FFT)提供的加速优势验证了其效率。
Jan, 2024
本文提出一种基于 Fourier 分析的方法,用于训练翻译不变或旋转不变的核,并通过一种在线平衡找到动态算法来解释我们的算法,并在合成和现实世界数据集上进行评估,证明了扩展性和与相关随机特征方法相比的一致改进。
Oct, 2017
本文介绍了一种使用多尺度特征提取和基于局部极值关键点嵌入的高效纹理检索方法, 通过手工设计的特征向量构建协方差矩阵,提高了规模空间的表示能力,并在多个纹理数据库上得到高竞争性的检索率。
Aug, 2018
在本文中,我们引入了一个新的多视图子空间聚类的可扩展性框架,并提出了一种有效的优化策略,利用核特征映射来减少计算负担,同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集,并在几分钟内使用标准机器完成。我们通过对各种规模的真实基准网络进行广泛实验,评估了我们的算法在支持多视图子空间聚类方法和属性网络多视图方法方面的性能。
Feb, 2024
通过基于 Monte Carlo 近似的、通过积分表示核函数并扩展到更好的核近似估计的数值积分技术,我们提出了一个统一的方法来改进核逼近的随机特征方法,并得出了其收敛行为,并进行了大量实证研究,支持了我们的假设。
Feb, 2018
通过对视角选择这一关键但常被忽视的因素进行深入研究,我们发现细粒度草图图像检索(FG-SBIR)的复杂动态。通过使用预训练的 FG-SBIR 模型进行的初步研究表明系统在查询草图与目标实例的视角不同时存在困扰。为了解决这个问题,我们提出了一个视角感知的系统,完美地适应视角无关和视角特异性的任务。通过克服数据集的限制,我们的方法利用了三维对象的多视角二维投影,使得跨模式视觉感知成为可能。通过模式分解引入可定制的跨模式特征,实现了轻松的模式切换。在标准数据集上进行的大量实验证实了我们方法的有效性。
Jul, 2024
提出了一种基于随机矩阵的紧凑型随机特征映射(CRAFTMaps)来更加简洁准确地近似多项式核,证明了其比以前的近似方案有优越的核重建性能,并演示了如何使用 CRAFTMaps 学习非线性多类分类器。
Dec, 2013
通过特征映射来逼近非线性内核,在减少支持向量机分类器和其他内核学习算法的训练和测试时间的应用方面引起了人们的广泛兴趣。本文基于调和分析的经典结果,提出了点积内核的低扭曲嵌入到线性欧几里得空间中,并使用该结果定义随机特征映射到显式低维欧几里得空间,在其中本地点积提供对点积内核的逼近,自信度很高。
Jan, 2012