[发明专利]一种基于对称正定矩阵流形切空间子空间学习的描述子局部聚合向量方法在审
| 申请号： | 201910062529.9 | 申请日： | 2019-01-23 |
| 公开（公告）号： | CN109598311A | 公开（公告）日： | 2019-04-09 |
| 发明（设计）人： | 马争鸣;车航健;陈李创凯;刘洁 | 申请（专利权）人： | 中山大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及机器学习中描述子局部聚合向量相关问题，提出了一种基于对称正定矩阵流形切空间子空间学习的描述子局部聚合向量方法。已有的局部聚合向量方法大都是在欧式空间上，无法处理对称正定矩阵流形的非线性数据，为此，本方法提出了将训练数据映射到码字的切空间上进行子空间学习，将非线性问题转化为线性问题，然后是在学习的子空间上计算局部聚合向量。在子空间学习阶段，在码字的切空间上根据训练数据的标签信息来学习具有判别性的子空间，让同类别的数据在子空间上尽可能靠近，异类的数据在子空间上尽可能远离。在局部聚合向量计算阶段，将输入图片提取的对称正定矩阵映射到码字切空间的子空间上计算聚合向量。 | ||
| 搜索关键词： | 聚合 向量 子空间 正定矩阵 子空间学习 对称 描述子 流形 码字 训练数据 映射 非线性数据 非线性问题 标签信息 机器学习 空间学习 输入图片 线性问题 向量计算 异类 学习 转化 | ||
【主权项】：
1.一种基于对称正定矩阵流形切空间子空间学习的描述子局部聚合向量方法，其特征在于：A.训练数据是有标签的对称正定(Symmetric Positive Definite,SPD)矩阵流形数据，将训练数据映射到码字的切空间上，根据训练数据的标签信息，通过同类数据在子空间上距离最小化和异类数据在子空间上距离最大化两个原则在码字的切空间上学习具有判别性的子空间；B.对输入数据进行局部聚合向量的计算；对输入的图片通过计算每个局部区域的描述子协方差矩阵得到SPD矩阵集合，将SPD矩阵映射到码字切空间上，在根据学习到的子空间的标准正交基得到SPD矩阵在码字切空间的子空间的表示，利用这个表示进行聚合向量的计算。
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中山大学，未经中山大学许可，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/201910062529.9/，转载请声明来源钻瓜专利网。
