我们提出了一种新的无监督域适应(DA)方法用于跨域视觉识别。虽然子空间方法在DA中取得了成功,但由于假设使用单个低维子空间逼近整个数据集,因此它们的性能通常是有限的。相反,我们开发了一种方法,通过收集低维子空间来有效地表示源数据集和目标数据集,然后通过在Grassmannmanifold上开发子空间空间的自然几何来对齐它们。我们使用两个广泛使用的基准测试的经验研究证明了这种方法的有效性,具有最先进的领域适应性能
translated by 谷歌翻译
用于数据分析的拓扑方法为强制确定计算机视觉中广泛兴趣的某些不变性提供了机会,包括视点参数活动分析,形状分析中的清晰度以及非线性动态建模中的测量不变性。这些方法越来越成功的原因在于拓扑提供的补充信息,以及用于计算拓扑图等拓扑摘要的工具的可用性。但是,持久性图是多组点,因此将它们与用于当前机器学习工具(如深网)的功能融合起来并不简单。在本文中,我们提出了理论上有充分根据的方法来开发新的扰动鲁棒拓扑表示,其长期观点是使它们与当代学习架构相容。我们将提出的表示称为扰动拓扑签名,它存在于Grassmann流形上,因此可以有效地用于机器学习管道。我们在三种应用中探索了所提出的描述符的使用:三维形状分析,视图不变活动分析和非线性动态建模。与其他基线方法相比,我们在高级识别性能和时间复杂性方面都表现出有利的结果。
translated by 谷歌翻译