有效的协方差判别学习算法
在基于视频的图像集分类中, 类内样本多样性问题是影响算法分类性能的一个主要原因. 为了尝试解决该问题, 提出了一种图像集分类算法, 其目标体现在2个方面: (1) 使得算法在时间效率上相较于协方差判别学习(CDL)等具有代表性的图像集分类算法有进一步的提升; (2) 使得算法在分类精度上也仍然具有可比性. 首先利用双向二维主成分分析对原始的协方差特征进行降维, 使其变得更加紧凑. 同时, 为了抽取到更具判别性的特征信息, 对每一个低维紧凑的协方差矩阵应用 QR 分解, 使其变换成一个正交基矩阵和一个非奇异的上三角矩阵. 考虑数据分布空间的黎曼流形特性, 通过定义函数的方式使得上三角矩阵仍然分布在由对称正定(SPD)矩阵张成的 SPD 流形之上. 此时,原始的样本空间就转化成了一个由正交基矩阵张成的Grassmann流形和一个特征分布更加紧凑的新的SPD流形. 为了更好地整合这2种黎曼流形特征, 首先利用Stein散度以及对数欧氏距离导出一个黎曼流形测地线距离度量; 然后,利用该度量设计一个正定的核函数将上述特征映射到一个高维 Hilbert 核空间; 最后, 利用核判别分析算法进行判别子空间特征学习. 文中算法在5个基准视频集YTC, Honda, ETH-80, MDSD以及AFEW上均取得了较好的分类结果,同时在计算效率上也优于CDL等对比算法, 从而表明了其可行性和有效性.
协方差鉴别学习、黎曼流形、双向二维主成分分析、QR分解、对数欧氏距离、Stein散度、核判别分析
31
TP391.41(计算技术、计算机技术)
安徽省高校优秀青年骨干人才项目gxfx2017072;安徽省自然科学基金1708085MF155;阜阳市政府-阜阳师范大学横向合作科研项目XDHX2016020、XDHX201710;安徽省教育厅自然科学研究重点项目KJ2018A0345
2019-10-30（万方平台首次上网日期，不代表论文的发表时间）
共11页
1847-1857
