Resumen

El descriptor de covarianza de regin (DCR), que se conoce como matriz simtrica positiva definida (SPD), se utiliza habitualmente en la representacin de imgenes. Como las matrices SPD tienen una geometra no euclidiana, los mtodos euclidianos de aprendizaje automtico no son directamente aplicables a ellas. En este trabajo se propone un descriptor de covarianza mejorado denominado descriptor de covarianza de regin hbrido (HRCD). El HRCD incorpora la informacin de la caracterstica media en el RCD para mejorar el rendimiento discriminativo de este ltimo. Para abordar las propiedades no euclidianas de las variedades SPD, este estudio tambin propone un algoritmo denominado aprendizaje de subespacios con criterio de independencia de Hilbert-Schmidt (HSIC-SL) para variedades SPD. El objetivo del algoritmo HSIC-SL es mejorar la precisin de la clasificacin. Este algoritmo es una funcin kernel que incrusta las matrices SPD en el espacio de Hilbert del kernel reproductor y, adems, las mapea a un espacio lineal. Para que el mapeo tenga en cuenta la correlacin entre las matrices SPD y la proyeccin lineal, este mtodo introduce la maximizacin global HSIC en el modelo. El mtodo propuesto se compara con los mtodos existentes y se demuestra que es muy preciso y vlido mediante experimentos de clasificacin en el HRCD y HSIC-SL utilizando los conjuntos de datos COIL-20, ETH-80, QMUL, datos faciales FERET y Brodatz.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Descriptor de covarianza de región; Simétrico positivo definido; SPD manifolds; Métodos euclidianos de aprendizaje automático; Descriptor híbrido de covarianza de región; Aprendizaje de subespacio de criterio de independencia de Hilbert-Schmidt.
• Keywords:Region covariance descriptor; Symmetric positive definite; SPD manifolds; Euclidean machine learning methods; Hybrid region covariance descriptor; Hilbert-Schmidt independence criterion subspace learning