arXiv 1504.032852015-04-13cs.CV

短矢量大规模图像搜索的多个测量和联合近似性降低-扩展版本

Multiple Measurements and Joint Dimensionality Reduction for Large Scale Image Search with Short Vectors - Extended Version

Czech Technical University in Prague（布拉格捷克理工大学）；INRIA（法国国家信息与自动化研究所）

Filip Radenovic, Herve Jegou, Ondrej Chum

备注：: Extended version of the ICMR 2015 paper

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

针对大规模图像和特定对象检索问题，提出了一种短矢量（128维）图像表示方法。特别是，联合降维的多个词汇的方法被认为是。我们研究了各种词汇生成技术：不同的k-means初始化，不同的描述符转换，不同的测量区域的描述符提取。我们广泛的评估表明，不同的词汇组合，每个分区的描述符空间在不同的但互补的方式，结果在一个显着的性能提高，这超过了国家的最先进的。

英文摘要：

This paper addresses the construction of a short-vector (128D) image representation for large-scale image and particular object retrieval. In particular, the method of joint dimensionality reduction of multiple vocabularies is considered. We study a variety of vocabulary generation techniques: different k-means initializations, different descriptor transformations, different measurement regions for descriptor extraction. Our extensive evaluation shows that different combinations of vocabularies, each partitioning the descriptor space in a different yet complementary manner, results in a significant performance improvement, which exceeds the state-of-the-art.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

对称正定流形上的黎曼联合降维与字典学习

Riemannian joint dimensionality reduction and dictionary learning on symmetric positive definite manifold

The University of Electro-Communications（电气通信大学）；Microsoft（微软）

字典学习（DL）和降维（DR）是分析高维噪声信号的有力工具。本文提出了一种新的黎曼联合降维和字典学习（R-JDRDL）对称正定（SPD）流形分类任务的建议。联合学习通过将降维和字典学习过程连接到一个统一的框架中来考虑它们之间的相互作用。我们利用黎曼优化框架来解决DL和DR问题。最后，我们证明了建议的R-JDRDL优于现有的国家的最先进的算法时，用于图像分类任务。

2019-02-11cs.AIcs.CVcs.LG

联合渐进子空间分析（JPSA）与空间-谱流形对齐用于半监督高光谱分辨率降低

Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction

Remote Sensing Technology Institute（遥感技术研究所）；Helmholtz Association（亥姆霍兹联合会）；German Research Foundation (DFG)（德国研究基金会（DFG））；European Research Council (ERC)（欧洲研究委员会（ERC））；German Federal Ministry of Education and Research (BMBF)（德国联邦教育和研究部（BMBF））；AXA Research Fund（安盛研究基金）

传统的非线性子空间学习技术（例如，流形学习）通常在可解释性（显式映射）和成本有效性（线性化）、泛化能力（样本外）和可表示性（空间-频谱鉴别）方面引入一些缺点。为了克服这些缺点，一种新的线性化子空间分析技术与空间光谱流形对齐开发的半监督高光谱降维（HDR），称为联合和渐进子空间分析（JPSA）。JPSA从高光谱数据中学习一种高层次的、语义上有意义的、联合的空间-光谱特征表示：1）联合学习潜在子空间和线性分类器，以找到有利于分类的有效投影方向; 2）逐步搜索子空间的几个中间状态，以接近从原始空间到潜在的更具区分力的子空间的最佳映射; 3）在空间上和频谱上对齐每个学习的潜在子空间中的流形结构，以便在压缩数据和原始数据之间保持相同或相似的拓扑性质。一个简单但有效的分类器，即，最近邻（NN），探索作为一个潜在的应用程序验证不同的HDR方法的算法性能。在两个广泛使用的高光谱数据集上进行了大量的实验，以证明所提出的JPSA的优越性和有效性：印度松树（92.98%）和休斯顿大学（86.09%）与以前的国家的最先进的HDR方法相比。这一基本工作的演示（即，ECCV 2018）可在www.example.com上公开获取。

2020-09-21cs.CV

用于流形简化的格拉斯曼判别映射（GDM）及其在图像集分类中的应用

Grassmannian Discriminant Maps (GDM) for Manifold Dimensionality Reduction with Application to Image Set Classification

Jiangnan University（江南大学）；University of Surrey（萨里大学）

在图像集分类中，将原始图像集表示在Grassmann流形上已经取得了相当大的进展。为了将基于欧几里得的降维方法的优点扩展到格拉斯曼流形上，最近提出了几种方法，它们联合执行格拉斯曼流形上的降维和度量学习以提高性能。然而，当应用于复杂的数据集时，学习的特征没有表现出足够的区分能力。为了克服这个问题，我们提出了一个新的方法命名为格拉斯曼判别映射（GDM）的流形降维问题。该方法的核心是一个新的判别函数的度量学习和降维。为了比较和更好的理解，我们还研究了GDM的一个简单变体。它们之间的主要区别是判别函数。我们的实验数据集对应于三个任务：人脸识别，对象分类，手势识别，以评估所提出的方法及其简单的扩展。通过与现有算法的比较，验证了该算法的有效性。

2022-01-22cs.CV

基于光滑正则嵌入的非线性监督逼近约简

Nonlinear Supervised Dimensionality Reduction via Smooth Regular Embeddings

Department of Electrical and Electronics Engineering, METU（中东技术大学（METU）电气工程系）

恢复数据汇集的内在几何结构是数据分析中的一个重要问题。近年来，已经提出了几种流形学习方法的监督扩展。同时，现有的方法主要集中在训练数据的嵌入，而嵌入到最初看不见的测试数据的推广是相当忽视的。在这项工作中，我们建立在监督流形学习算法的泛化性能的最新理论成果。受这些性能界限的影响，我们提出了一种监督流形学习方法，该方法在计算非线性嵌入的同时，构造一个平滑且规则的插值函数，将嵌入扩展到整个数据空间，以实现令人满意的泛化。嵌入和嵌入是共同学习的，使得嵌入的Lipschitz正则性被施加，同时确保不同类之间的分离。在多个图像数据集上的实验结果表明，该方法在大多数情况下的分类精度优于传统分类器和监督降维算法.

2018-05-28cs.CV

基于Laplacian的离散性约简，包括谱聚类、Laplacian特征映射、局部保持投影、图嵌入和扩散映射：研究和综述

Laplacian-Based Dimensionality Reduction Including Spectral Clustering, Laplacian Eigenmap, Locality Preserving Projection, Graph Embedding, and Diffusion Map: Tutorial and Survey

University of Waterloo（滑铁卢大学）

这是一个教程和调查文件的非线性维数和特征提取方法的基础上，拉普拉斯的图形数据。首先介绍了邻接矩阵、拉普拉斯矩阵的定义以及拉普拉斯算子的解释。然后，我们覆盖了图的切割和谱聚类，它应用于数据的子空间中的聚类。解释了拉普拉斯特征映射及其样本外扩展的不同优化变体。之后，我们引入了保局投影及其核变体作为拉普拉斯特征映射的线性特例。图嵌入的版本，然后解释这是广义版本的拉普拉斯特征映射和局部保持投影。最后介绍了一种基于数据的拉普拉斯算子和数据图上的随机游动的扩散映射方法。

2022-08-06cs.CVcs.LGstat.ML

DimReduction -用于简化的交互式图形环境

DimReduction - Interactive Graphic Environment for Dimensionality Reduction

特征选择是一种模式识别方法，根据一定的准则选择重要的变量来区分或解释某些现象。存在许多依赖于特征选择来回答问题的基因组和蛋白质组学应用，例如：选择关于某些生物状态（例如正常组织和几种类型的癌症）的信息的特征基因;或者在诸如基因、蛋白质、外部刺激和其他感兴趣的元素的元素之间定义预测或推断的网络。在这些应用中，一个经常性的问题是缺乏样本来执行元件状态之间的联合概率的充分估计。提出了无数的特征选择算法和准则函数，尽管通常很难指出最佳解决方案。这项工作的目的是提供一个开源的多平台的图形环境，应用，测试和比较许多特征选择的方法，适用于生物信息学的问题。

2011-05-15cs.CV

更多相关论文收起更多论文

自然图像的局部低维性

The local low-dimensionality of natural images

Howard Hughes Medical Institute（霍华德·休斯医学研究所）；New York University（纽约大学）

我们开发了一个新的统计模型的摄影图像，其中的一个银行的线性滤波器的本地响应被描述为联合高斯，零均值和协方差，随着空间位置的变化缓慢。我们优化滤波器组，以便最小化其局部激活矩阵的核范数（即，奇异值之和），从而鼓励不依赖于任何特定字典或坐标系的灵活形式的稀疏性。根据这一目标优化的滤波器是定向和带通的，它们的响应表现出很大的局部相关性。我们发现，图像可以重建几乎完美的估计，仅从本地滤波器响应协方差，并与最小的退化（无论是视觉或MSE）从这些协方差的低秩近似。因此，这种表示在去噪、压缩和纹理表示等应用中有很大的希望，并且可以形成分层分解的有用基底。

2015-03-24cs.CV

面向动态成像的联合流形学习与最优传输

Joint Manifold Learning and Optimal Transport for Dynamic Imaging

University of Twente（特文特大学）

本文提出联合图像流形低维潜在表示与OT时间先验的动态成像框架，通过约束三者一致性同时利用多时间序列信息并弥补时间点不足。

2025-05-17cs.CVeess.IV

通过核线性化的张量表示，用于从3D模型中识别动作（扩展版）

Tensor Representations via Kernel Linearization for Action Recognition from 3D Skeletons (Extended Version)

NICTA/Data61/CSIRO；Australian National University（澳大利亚国立大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）

在本文中，我们探讨张量表示，可以compperfectly捕捉骨骼关节之间的高阶关系的3D动作识别。我们首先定义径向基函数核的三维联合序列，然后线性化，形成内核描述符。这些核描述符的高阶外积形成了我们的张量表示。我们提出了两种不同的内核动作识别，即（i）一个序列兼容性内核，捕捉关节的时空兼容性在一个序列对那些在其他，和（ii）一个动态兼容性内核，明确建模的动作动态序列。从这些内核形成的张量然后用于训练SVM。我们在几个基准数据集上进行了实验，并展示了最先进的结果，证实了我们表示的有效性。

2016-07-28cs.CV

基于黎曼优化的格拉斯曼问题的简化：一个推广的观点

Dimensionality Reduction on Grassmannian via Riemannian Optimization: A Generalized Perspective

Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Key Laboratory of Optical-Electronics Information Processing（光电信息处理重点实验室）

本文提出了一个广义框架与联合规范化学习低维子空间的最大鉴别能力，利用黎曼几何。特别是，我们使用格拉斯曼定义的各种度量模型的子空间之间的相似性/相异性和制定降维考虑正交化的非线性约束优化问题。为了获得线性映射，我们导出执行黎曼优化所需的分量（例如，黎曼共轭梯度）从原来的格拉斯曼通过正交投影。我们尊重黎曼几何的格拉斯曼流形和搜索这个投影直接从一个格拉斯曼流形到另一个面对面没有任何额外的转换。通过这种自然的几何感知方式，Grassmann流形上的任何度量都可以理论上驻留在我们的模型中。我们将五个度量与我们的模型相结合，学习过程可以被视为格拉斯曼流形上的无约束优化问题。在几个数据集上的实验表明，我们的方法比最先进的方法有显著的准确性提高。

2017-11-17cs.CV

基于信息论和支持向量机的高光谱图像波段选择方法

A new band selection approach based on information theory and support vector machine for hyperspectral images reduction and classification

ENSET Mohammed V University（穆罕默德五世大学高等师范技术学院）

由多个波段组成的高光谱图像的高维性给图像处理带来了很大的计算挑战。因此，光谱波段选择是去除不相关、噪声和冗余波段的必要步骤。从而提高分类精度。然而，从数百甚至数千个相关条带中识别有用的条带是一项重要的任务。本文的目的是确定一个小的高度区分波段，以提高计算速度和预测精度。因此，我们提出了一种基于联合互信息的新策略来衡量所选波段之间的统计依赖性和相关性，并评估每个波段对分类的相对效用。所提出的滤波器的方法进行了比较，一个有效的再生过滤器的基础上互信息。对HSIAVIRIS92AV3C高光谱图像的仿真结果表明，该算法的有效性优于再生滤波器策略。关键词：高光谱图像，分类，波段选择，联合互信息，降维，相关性，支持向量机。

2022-10-26cs.CV

JWB-DH-V1：全身数字人说话与语音联合生成基准第1版

JWB-DH-V1: Benchmark for Joint Whole-Body Talking Avatar and Speech Generation Version 1

Computer Science, University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）；National University of Singapore（新加坡国立大学）

针对现有全身数字人说话与语音联合生成方法多模态一致性不足、缺乏综合评估基准的问题，提出JWB-DH-V1基准，含大规模多模态数据集与评估协议，实验发现SOTA模型面部/手部与全身性能有差距，相关资源已公开。

2025-07-29cs.AIcs.CV

预处理P-ULA用于超声图像的联合去卷积分割--扩展版本

Preconditioned P-ULA for Joint Deconvolution-Segmentation of Ultrasound Images -- Extended Version

CentraleSupélec（中央理工-高等电力学院）；INRIA Saclay（萨克莱 INRIA 研究所）；University Paris-Saclay（巴黎萨克雷大学）；IRIT, CNRS UMR 5505（IRIT 研究所（法国国家科学研究中心 UMR 5505））；University of Toulouse（图卢兹大学）；ENSEEIHT（国立高等 Toulouse 理工学院）；TéSA（TéSA 研究所）

超声图像的联合去卷积和分割是医学成像中的一个具有挑战性的问题。通过采用分层贝叶斯模型，我们提出了一个加速马尔可夫链蒙特卡罗计划，由于最近推出的近端未调整的Langevin算法的组织反射率函数进行采样。该方法结合了前向-后向步和预处理策略来加速收敛，并结合了基于优化-极小化原理的方法来求解内部非凸极小化问题.在模拟和体内超声图像上进行的数值实验表明，该方法提供了高质量的恢复和分割结果，比现有的哈密顿蒙特卡罗方法快六倍。

2020-01-21cs.CVeess.IV

半定规划的谱离散性约简、最大方差展开和核学习的统一框架：研究与综述

Unified Framework for Spectral Dimensionality Reduction, Maximum Variance Unfolding, and Kernel Learning By Semidefinite Programming: Tutorial and Survey

University of Waterloo（滑铁卢大学）

这是一篇关于谱降维方法、半定编程（SDP）、最大方差展开（MVU）或半定嵌入（SDE）及其变体的核学习的统一的教程和调查论文。我们首先解释了如何将光谱降维方法统一为具有不同核的核主成分分析（PCA）。这种统一可以解释为特征函数学习或核的距离矩阵表示。然后，由于谱方法被统一为核PCA，我们说让我们学习用于将数据流形展开到其最大方差的最佳核。首先，我们简要介绍了SDP用于转导任务的内核学习。然后，我们详细解释MVU。各种版本的监督MVU使用最近邻图，类明智的展开，Fisher准则，并通过彩色MVU的解释。我们还解释了MVU使用本征函数和核映射的样本外扩展。最后，我们介绍了MVU的其他变体，包括针对嵌入的动作，放松的MVU和大数据的地标MVU。

2022-08-03cs.CVcs.LGstat.ML

基于层次最近邻图嵌入的有效降维算法

Hierarchical Nearest Neighbor Graph Embedding for Efficient Dimensionality Reduction

Mercedes-Benz Tech Innovation（梅赛德斯-奔驰技术创新公司）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）

降维对于高维数据的可视化和机器学习的预处理都是至关重要的。我们介绍了一种新的方法，基于建立在1-最近邻图在原始空间，这是用来保持分组属性的数据分布在多个级别上的层次结构。该提案的核心是一个无优化的投影，在性能和可视化质量方面与最新版本的t-SNE和UMAP竞争，同时在运行时间上快了一个数量级。此外，它的可解释机制，投影新数据的能力以及可视化中数据集群的自然分离使其成为通用的无监督降维技术。在本文中，我们讨论了所提出的方法的合理性，并在不同的数据集上进行了评估，这些数据集的大小从1 K到11 M不等，样本的尺寸从28到16 K不等。我们在多个指标和目标维度上与其他最先进的方法进行比较，突出其效率和性能。代码可在https://github.com/koulakis/h-nne上获得

2022-05-29cs.AIcs.CVcs.DS

面向GPU的割线简化算法设计

A GPU-Oriented Algorithm Design for Secant-Based Dimensionality Reduction

Colorado State University（科罗拉多州立大学）

降维技术是从高维数据集中提取有用信息的基本工具。由于割线集编码流形几何，它们是设计有意义的数据简化算法的有用工具。在一种这样的方法中，目标是构建最大限度地避免割线方向的投影，从而确保不同的数据点在缩减空间中不会被映射得太靠近。这种类型的算法是基于一个数学框架的启发惠特尼嵌入定理的建设性证明微分拓扑。计算一组点的所有（单位）割线本质上是计算昂贵的，因此为利用GPU架构实现这些算法的快速版本打开了大门。我们提出了一个多项式时间的数据减少算法，产生一个有意义的低维表示的数据集，通过迭代构建改进的投影在上述框架内。我们的算法设计和实现的关键是使用GPU，其中，最大限度地减少了计算所有割线所需的计算时间。本报告的一个目标是与GPU专家分享想法，并讨论更广泛的GPU社区可能感兴趣的一类数学算法。

2018-07-10cs.CVcs.LGeess.IV

日常生活活动中的视知觉减少和运动聚类：3、4和7自由度手臂运动

Dimensionality Reduction and Motion Clustering during Activities of Daily Living: 3, 4, and 7 Degree-of-Freedom Arm Movements

Yale University（耶鲁大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）

人类手臂在日常任务中执行的各种各样的运动使得人们希望找到代表性的子集，以减少这些运动的维数，用于各种应用，包括机器人和假肢设备的设计和控制。本文提出了一种新的方法和广泛的人类受试者的研究结果，以获得代表性的手臂关节角度轨迹，跨越自然运动的日常生活活动（ADL）。特别是，我们试图识别上肢的有用运动轨迹集，这些运动轨迹集是单个变量的函数，允许例如使用来自用户的单个输入来控制整个假肢或机器人手臂，以及在不同任务的运动之间进行选择的手段。数据驱动的方法被用来获得集群以及代表性的运动平均为全臂7自由度（DOF），肘腕4自由度，和手腕只有3自由度的运动。所提出的方法利用众所周知的技术，如动态时间规整（DTW），以获得运动段之间的分歧措施，DTW重心平均（DBA），以获得平均值，沃德的距离标准，建立层次树，批量DTW同时对齐多个运动数据，和功能主成分分析（fPCA），以评估集群的变化。出现的集群相关联的各种记录的运动到主要的手开始和结束位置的全臂系统，运动方向的手腕只有系统，和肘腕系统的两个质量之间的中间。建议的聚类方法是合理的比较结果对替代方法。

2020-02-17cs.CVcs.LGcs.RO