广义关联学习 Grassmann 量化
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
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
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
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。
Aug, 2023
本文介绍了 Grassmann 流形的基本事实和公式,通过用矩阵算法解决应用中的问题,从表示子空间的正交投影器的方法和被视为正交群的商空间的方法揭示了 Grassmann 几何学。同时,还提出了一种改进的算法,用于计算 Grassmann 流形上的 Riemannian 对数映射,以及沿正交投影器视角的测地线的平行输运的方程和指标的导数。
Nov, 2020
本文提出了一种分析多层图并通过在 Grassmann 流形上使用子空间分析工具来结合个体图层特征的方法。 这种方法可以视为原始数据的低维表示,其中保留了实体之间不同关系的最重要信息,并可用于聚类。 在多个数据集上的实验结果表明,该算法具有优异的性能和竞争力。
Mar, 2013
通过迭代应用广义矩阵学习向量量化(Generalized Matrix Learning Vector Quantization)进行特征相关性分析和类别区分子空间构建,我们引入并探讨了迭代相关矩阵分析(Iterated Relevance Matrix Analysis,IRMA)。该方法通过确定线性子空间,整合了所考虑数据集中表示分类特定信息的广义矩阵学习向量量化(GMLVQ),并在将之前识别的子空间投影除去的同时,迭代地确定新的判别子空间,进而找到携带所有类别特定信息的综合子空间。这有助于详细分析特征相关性,并实现标记数据集的改进的低维度表示和可视化。此外,基于 IRMA 的类别区分子空间可用于降维和训练具有潜在性能改进的鲁棒分类器。
Jan, 2024
通过利用高维 Grassmann 流形进行重建以及等效的低维表示进行推理聚类的算法,该研究提出了一种解决密集非刚性运动目标多帧图像 3D 形状估计的算法。
Feb, 2019
本文介绍了一种基于 Grassmannian 的新方法,旨在通过建模单词集合所围成的子空间来捕获连续词向量表示中的类比关系,该方法利用测地核的修改余弦距离模型捕获跨单词类别的关系特定距离,实验结果表明与以前的方法相比,本方法在类比任务上表现显著改善。
Jul, 2015