计算机视觉中的——图像集分类（image set classification）

针对集（set）的度量：Sparse approximated nearest point distance.

基于视频的分类（video-based classification）：

         例如：dynamic texture （IJCV03）

         关注于图像之间的时间关联性 （focus on exploiting the temporal relationship between the images）

基于图像集的分类（image set based classification）:

       关注于视角、光照变化、非刚体变形，而不是时间关联性。

 

图像集分类技术，基于两个标准： 一是图像集如何表示，二是度量。

图像表示：分为参数和非参数的表示方法。

                     基于参数模型的表示方法，是利用一些参数分布来表示图像集~  但是如果图像集中没有很好的统计关联性，那么估计的模型就不能很好的进行图像集的分类。

                                                                    两分布度量：如KLD.

                     基于非参数的表示方法，试图表示一个图像集为一个线性子空间（比如：Grassmannian manifold）,混合子空间，或者非线性流行。

                                                                 第一种度量是分析样本数据：样本均值差；测地线；

                                                                  第二种度量是分析模型结构，Canonical corelation analysis (CCA); Mutual subspave method (MSM); orthogonal subspace mehtod..

 

现试图提出一种新的度量，同时利用结构信息和样本信息。

第c个图像集的表示，有N个图像组成一个特征矩阵。

model一个图像集为an affine hull of the set data: （ 带权重的sum）

或者这种Affine hull 的另一种表示形式

      其中

 

由于现有的方法，直接搜索最近邻的点，而不加任何额外约束条件。噪声和奇异点的干扰~

先提出sparse approximated nearest points进行度量。

 

 

使用的数据集：Honda；Mobo and Youtube datasets。

 

Reference: sparse approximated nearest points for image set classification