[发明专利]基于KL散度的多视角距离度量学习方法在审
| 申请号： | 201810537508.3 | 申请日： | 2018-05-30 |
| 公开（公告）号： | CN108805189A | 公开（公告）日： | 2018-11-13 |
| 发明（设计）人： | 冯林;王辉兵 | 申请（专利权）人： | 大连理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 大连星海专利事务所有限公司 21208 | 代理人： | 裴毓英 |
| 地址： | 116024 辽*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于KL散度的多视角距离度量学习方法。首先，将多个视角下维数不同的特征映射进同一维数的子空间内；其次，在不同视角下，利用KL散度定义各视角下距离度量与统一的距离度量所构造样本间相似性的差异；再次，最大化各个视角下不同类样本间距离的同时，使得各个视角下距离度量与统一的距离度量构造样本间相似性差异尽可能小，通过两个约束条件，使各个视角下同类样本间距离小于一个常数，不同类样本间距离大于一个常数；最后，求得各个视角下最优的距离度量矩阵。本方法充分考虑了多个视角下样本特征信息，将其融入统一的距离度量学习框架下进行学习，获得各个视角下最优的距离度量矩阵，更恰当的衡量了样本间相似性。 | ||
| 搜索关键词： | 距离度量 视角 样本 散度 矩阵 多视角 维数 学习 样本特征信息 约束条件 子空间 最大化 统一 映射 衡量 融入 | ||
【主权项】：
1.一种基于KL散度的多视角距离度量学习方法，包括以下步骤：步骤S101：将多个视角下维数不同的特征通过PCA等维数约简算法映射进同一维数的子空间内，采用了最大边界准则，使得各个视角下来自不同类的样本间距离尽可能的大；步骤S102：在不同视角下，利用KL散度定义各视角下距离度量与统一的距离度量所构造样本间相似性的差异；步骤S103：最大化各个视角下不同类样本间距离的同时，使得各个视角下距离度量与统一的距离度量构造样本间相似性差异尽可能小，并增加两个约束条件，使得各个视角下同类样本间距离小于一个常数，不同类样本间距离大于一个常数；步骤S104：通过迭代优化求得各个视角下最优的距离度量矩阵。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于大连理工大学，未经大连理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810537508.3/，转载请声明来源钻瓜专利网。
