[发明专利]一种基于黎曼网络的矩阵词典摘要方法

说明书

一种基于黎曼网络的矩阵词典摘要方法，涉及二阶特征。针对传统基于二阶特征方法难以扩展到深度学习或难以处理好黎曼空间与欧式空间关系的缺点，考虑在黎曼网络的架构下用距离表征向量来过渡空间转换，提出一种基于黎曼网络的矩阵词典摘要方法。包括以下步骤：1)对于输入的高维二阶特征，在约束对称正定矩阵的黎曼流形上进行降维处理；2)在低维空间根据对应类别构建类别相关的词典作为原始高维二阶特征的数据摘要；3)计算输入特征与摘要数据之间的多种测地线距离关系得到距离向量，即二阶特征的欧式空间表达；4)对距离向量进行分类。

技术领域

本发明涉及二阶特征，具体是涉及一种基于黎曼网络的矩阵词典摘要方法。

背景技术

作为典型的二阶特征，对称正定矩阵最近流形于各种计算机视觉和人工智能应用的特征表示中，例如图像分类[1-2]、动作识别[3-4]和脑机接口分析[5]等。对称正定矩阵落在一个锥形的黎曼流形空间内，通过保留这种非欧几何性质，对称正定矩阵特征可以消除欧式空间里膨胀效应带来的影响[6]，在某些特定领域能带来极大的性能提升。

近年来，随着硬件GPU快速发展及大数据时代的来临，深度学习得到了迅猛发展，已席卷人工智能各个领域，包括语音识别、图像识别、视频跟踪、自然语音处理等在内的图、文、视频领域。深度学习技术突破了传统技术方法，大大提高各领域的识别性能。但是大部分相关工作只考虑了一阶统计信息，部分考虑二阶信息的方案仍存在一些问题。如文献[7-8]用协方差作为二阶统计信息来为细粒度分类提供更好的区域描述子，但这种方案没有对二阶特征降维。文献[3]对对称正定矩阵进行了降维，但使用了近似的方法从黎曼空间映射到欧氏空间，由此带来了性能的损失。考虑一种更高效、高性能的二阶特征处理方法将成为研究重点。

参考文献：

[1].Fathy,M.E.,and Chellappa,R.2017.Image set classification usingsparse bayesian regression.In WACV.

[2].Wang,Q.；Li,P.；and Zhang,L.2017.G2denet:Global gaussiandistribution embedding network and its application to visual recognition.InCVPR.

[3].Guo,K.；Ishwar,P.；and Konrad,J.2013.Action recognition from videousing feature covariance matrices.TIP.

[4].Huang,Z.,and Van Gool,L.J.2017.A riemannian network for spdmatrix learning.In AAAI.

[5].Lotte,F.；Bougrain,L.；Cichocki,A.；Clerc,M.；Congedo,M.；Rakotomamonjy,A.；and Yger,F.2018.A review of classification algorithms foreeg-based brain–computer interfaces:a 10year update.Journal of neuralengineering.

[6].Arsigny,V.；Fillard,P.；Pennec,X.；and Ayache,N.2007.Geometric meansin a novel vector space structure on symmetric positive-definitematrices.SIAM JMAA.

[7].Lin,T.-Y.,and Maji,S.2017.Improved bilinear pooling with cnns.InBMVC.