学习正定矩阵的对数行列式差异
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。
Aug, 2017
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
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
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
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
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
从锥形视角出发,引入 S-Divergence 作为正定矩阵开锥上 ' 自然 ' 距离函数,表现出类似于 Riemannian distance 的几何特征,并通过实验验证了其可用于计算矩阵中位数的优化算法。
Oct, 2011
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
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