A comparative study of supervised learning algorithms for symmetric positive definite features

Ammar Mian, Elias Raninen, Esa Ollila

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

143 Lataukset (Pure)

Abstrakti

In recent years, the use of Riemannian geometry has reportedly shown an increased performance for machine learning problems whose features lie in the symmetric positive definite (SPD) manifold. The present paper aims at reviewing several approaches based on this paradigm and provide a reproducible comparison of their output on a classic learning task of pedestrian detection. Notably, the robustness of these approaches to corrupted data will be assessed.

AlkuperäiskieliEnglanti
Otsikko28th European Signal Processing Conference, EUSIPCO 2020 - Proceedings
KustantajaEuropean Association For Signal and Image Processing
Sivut950-954
Sivumäärä5
ISBN (elektroninen)9789082797053
DOI - pysyväislinkit
TilaJulkaistu - 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaEuropean Signal Processing Conference - Amsterdam, Alankomaat
Kesto: 24 elok. 202028 elok. 2020
Konferenssinumero: 28

Julkaisusarja

NimiEuropean Signal Processing Conference
ISSN (painettu)2219-5491
ISSN (elektroninen)2076-1465

Conference

ConferenceEuropean Signal Processing Conference
LyhennettäEUSIPCO
Maa/AlueAlankomaat
KaupunkiAmsterdam
Ajanjakso24/08/202028/08/2020

Sormenjälki

Sukella tutkimusaiheisiin 'A comparative study of supervised learning algorithms for symmetric positive definite features'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä