用于图像集分类的混合黎曼图嵌入度量学习

AMiner论文推荐
论文名称&＃xff1a;Hybrid Riemannian Graph-Embedding Metric Learning for Image Set Classification
论文链接&＃xff1a;https://www.aminer.cn/pub/614400df6750f87195eb6361?f&＃61;cs
代码链接&＃xff1a;https://github.com/GitZH-Chen/HRGEML-v-1.git
随着视频数据量的不断增加&＃xff0c;图像集分类近年来受到了计算机视觉和模式识别研究社区的广泛关注。然而&＃xff0c;表征的类内多样性和类间模糊性仍然是重大挑战。为了解决这一问题&＃xff0c;研究人员提出了多种方法进行多重几何感知的图像集建模和学习。虽然提取的互补几何信息对决策是有益的&＃xff0c;但这种算法的复杂计算范式&＃xff08;如散点矩阵计算和迭代优化&＃xff09;则需要付出较大的代价。为此&＃xff0c;本文提出了一种有效的混合黎曼度量学习框架。具体而言&＃xff0c;作者设计了一种多图嵌入引导的度量学习框架&＃xff0c;将通过格拉斯曼流形、SPD流形和高斯嵌入黎曼流形的显式 RKHS 嵌入得到的互补核特征融合到统一的子空间中进行分类。此外&＃xff0c;本文建立的模型所涉及的优化问题可以通过一系列子问题来解决&＃xff0c;从理论上和事实上都提高了效率。本文作者进行了大量的实验来评估本文提出的方法的有效性。实验结果表明&＃xff0c;该方法优于目前最先进的方法。
AMiner,让AI帮你理解科学&＃xff01;