ICCVAug, 2023

兼顾准确性与可迁移性：基于 Grassmann 类别表示的改进

PDF
TL;DR广义神经网络中的类向量被推广到线性子空间（即格拉斯曼流形中的点），并展示了格拉斯曼类表示（GCR）能够同时提高准确性和特征可转移性。
grassmann class representationneural networkslinear subspacesriemannian sgdfeature transferability
发现论文，激发创造
  • 广义关联学习 Grassmann 量化

    基于图像集分类的一种模型，使用广义相关学习向量量化来处理 Grassmann 流形数据，该模型返回一组原型子空间和相关向量，提供对模型决策的洞察，可成功地建模变化并具有较低的复杂度。

    Mar, 2024

  • 在 Grassmann 流形上构建深度神经网络

    本文提出了一种将欧几里得网络范例泛化到 Grassmann 流形的深度网络体系结构，利用完全秩映射层将输入数据转换为更理想的数据，利用再正则化层对结果矩阵进行规范化，利用投影映射层使结构数据进行更新，并在三个视觉识别任务中的评估显示出 Grassmann 网络具有明显优势。

    Nov, 2016

  • 在 Grassmann 流形上的字典异构学习和稀疏编码：一种外在解法

    本文提出了一种在非欧几里得空间上的稀疏字典学习算法，该算法通过将 Grassmann 流形嵌入到对称矩阵空间中来实现。在几种分类任务中，该算法较之目前最先进的方法如核仿射集算法和图嵌入 Grassmann 判别分析具有更好的识别精度。

    Oct, 2013

  • 强大图表示的重建

    本研究介绍了如何利用图重构技术来解决图神经网络架构存在的理论和实践问题，从而提高其表现力并实现应用于现实世界中的性能提升。

    Oct, 2021

  • 扩展 Grassmann 核家族：一个嵌入视角

    介绍了几个正定的 Grassmann 核，并证明这些核优于以前已知的核在各种任务中的表现，诸如分类，聚类，稀疏编码和哈希等。

    Jul, 2014

  • 通过投影表面统计量来学习鲁棒性表示

    通过应用灰度共生矩阵来提取深度神经网络中的表面统计信息，以改善其在未知领域中的分类精度表现，并通过逆梯度方法和依靠灰度共生矩阵的正交子空间来进一步提升性能。

    Mar, 2019

  • 格拉斯曼流形上的低秩表示：一种外置视角

    该论文研究使用 Grassmann 流形嵌入 Low-rank representation（LRR）来进行子空间聚类的方法，并提出了新的 Grassmannian LRR 算法，通过手写数字，动态纹理视频剪辑和 YouTube 名人面部视频数据的聚类实验，证明了该方法优于其他现有方法。

    Apr, 2015

  • 使用深度神经网络学习不变的黎曼几何表征

    本文提出了一种面向流形训练深度神经网络的通用框架，利用切空间和指数映射，将最终输出元素在 Riemann 流形上的深度神经网络的训练问题转化为当前深度学习研究的问题，在多类图像分类和人脸图像回归上显示出改进后的性能。

    Aug, 2017

  • 基于子空间的学习中的干扰 Grassmann 核

    该研究聚焦于子空间学习问题，提出了三种新的核函数：Disturbance Grassmann（DG）核、与子空间矩阵有关的干扰的投影核和基的奇异值干扰的投影核，以应对现有算法中忽视子空间不稳定性的问题，实验表明所提出的核相比现有基于子空间的方法表现更佳。

    Feb, 2018

  • 在线线性、鲁棒和非线性子空间学习的内在 Grassmann 平均值

    本文提出了一种用于计算主要线性子空间的几何框架，并比较了 PCA 和 KPCA 的效率和性能。

    Feb, 2017