文献

J-GLOBAL ID：201802284825709270   整理番号：18A0137517

正定値行列のための学習弁別αβ発散【Powered by NICT】

Learning Discriminative αβ-Divergences for Positive Definite Matrices

著者 (5件)： Cherian A. ,  Stanitsas P. ,  Harandi M. ,  Morellas V. ,  Papanikolopoulos N.
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICCV  ページ： 4280-4289  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 対称正値性(SPD)のマトリックスは視覚データの第二近似解統計を捕捉するために有用である。二SPDマトリックスを比較するために,いくつかの測定が利用でき,アフィン不変リーマン計量,Jeffreys発散,Jensen-Bregman-logdet発散などが,それらの挙動は用途に依存し,最良の性能を達成するための人手による選択の必要性を高めるかもしれない。と大規模問題に対するそれらの圧倒的な複雑さの結果として,SPD行列の賢明な埋め込みによるペアワイズ類似性を計算する前述対策の直接使用にしばしば好まれる。本論文では,情報発散と辞書学習(IDDL),識別メトリック学習フレームワーク自動SPD行列への応用具体策を学習するだけでなく,学習された辞書を用いたベクターとしてそれらを埋め込むことを提案した。類似性測度(各辞書原子の異なる可能性がある)を学習するために,最近導入されたαss logdet発散,上記対策を統一することが知られているを用いた。新しいIDDL目的,識別装置における発散と辞書原子のパラメータを学習する共同とRiemann最適化を用いて効率的に解決されることを提案した。八コンピュータビジョンデータセット上での包括的実験を,最先端の性能を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *学習 ,  対称性 ,  識別装置 ,  視覚 ,  不変性 ,  類似性 ,  ベクター ,  最適化
準シソーラス用語： メトリック学習 ,  辞書学習 ,  複雑性 ,  近似解 ,  正値性 , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  数値計算  (JE02000J) ,  信号理論  (ND02020G)

タイトルに関連する用語 (3件)： 行列 ,  学習 ,  発散