ICCVAug, 2017

学习判别性 Alpha-Beta - 散度用于正定矩阵（扩展版）

PDF
TL;DR本文提出了一种信息差和词典学习（IDDL）的判别式度量学习框架，它不仅可以自动学习 SPD 矩阵上的应用特定测度，而且还可以使用学习的词典将它们嵌入为向量。我们使用最近引入的 α-β-logdet 散度学习相似度测量，并在鉴别性框架中联合学习分歧参数和词典原子的参数，利用 Riemannian 优化有效地解决了这个问题。在八个计算机视觉数据集上进行广泛的实验，展示了最先进的性能。
发现论文，激发创造
  • 学习正定矩阵的对数行列式差异

    本文提出了一种基于数据驱动的方法学习用于比较对称正定矩阵的相似度度量，以及将其应用于机器学习中的多个标准任务中，取得了良好的性能。

    Apr, 2021

  • 对称正定流形上的 Bregman 散度稀疏编码

    本文介绍了一种用于对称正定（SPD）矩阵的稀疏编码和字典学习方法，该方法不仅可用于机器学习，还可用于计算机视觉等领域。我们通过使用两种不同的 Bregman 矩阵差异将 SPD 矩阵嵌入到 Hilbert 空间中，提出一种稀疏编码方法和在线迭代的字典学习方法。通过将该方法应用于图像区域的协方差矩阵，本文在包括人脸识别、动作识别、材料分类和纹理分类等各种分类任务上，实现了比现有算法更好的效果。

    Aug, 2014

  • 对数行列式散度再探：Alpha—Beta 和 Gamma 对数行列式散度

    本文评估和扩展了一种用于对称正定矩阵的 log-det 距离，研究了它们的基本属性并建立了多个距离之间的联系。此外，作者提出了一个基于参数的方法来生成这些分歧，并将它们应用于多元和多维高斯分布的距离计算和协方差矩阵的多路分离。

    Dec, 2014

  • 基于 SPD 流形的几何感知相似度学习在视觉识别中的应用

    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

  • 正定矩阵的黎曼字典学习和稀疏编码

    本研究提出一种新的 Riemannian 几何方法来通过学习字典中的 SPD 原子的稀疏锥组合，将数据表示为 SPD 矩阵。通过比较与其他非 Riemannian 公式的稀疏编码的分类和检索性能，我们的实验表明了这种方法的卓越性能。

    Jul, 2015

  • 从流形到流形：用于 SPD 矩阵的几何感知降维

    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

  • 对称正定矩阵黎曼流形上的核方法

    该文提出了一种针对 Riemann 流形的 SPD 矩阵进行高维映射的方法，使用一组可证明的正定核函数来扩展基于核方法的算法，进而在人行检测、物体分类、纹理分析、2D 运动分割以及扩散张量成像分割等问题上取得了良好的效果。

    Dec, 2014

  • 一种用于 SPD 矩阵学习的黎曼网络

    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

  • 基于核方法的对称正定矩阵稀疏编码和字典学习

    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

  • 对称正定矩阵空间上的向量值距离和 Gyrocalculus

    本文提出了在对称正定矩阵流形中使用向量值距离计算距离和提取几何信息，并开发陀螺矢量微积分，在该曲面上构建向量空间操作的类比。在知识图谱完成、项目推荐和问题回答等任务中，我们展示了这些操作的多样性。在实验中，SPD 模型优于欧几里德和双曲空间的等价物。向量值距离使我们能够可视化嵌入，展示模型学习从正样本中区分负样本的表示。

    Oct, 2021