Препознавање облика са ретком репрезентацијом коваријансних матрица и коваријансним дескрипторима

Abstract

У раду је предложен нови модел за ретку апроксимацију Гаусових компоненти у моделима за статистичко препознавање облика заснованим на Гаусовим смешама, а са циљем редукције сложености препознавања. Апроксимације инверзних коваријансних матрица конструишу се као ретке линеарне комбинације симетричних матрица из наученог редундантног скупа, коришћењем информационог критеријума који почива на принципу минимума дискриминативне информације. Ретка репрезентација подразумева релативно мали број активних компоненти приликом реконструкције сигнала, а тај циљ постиже тако што истовремено тежи: очувању информационог садржаја и једноставности представе или репрезентације.

U radu je predložen novi model za retku aproksimaciju Gausovih komponenti u modelima za statističko prepoznavanje oblika zasnovanim na Gausovim smešama, a sa ciljem redukcije složenosti prepoznavanja. Aproksimacije inverznih kovarijansnih matrica konstruišu se kao retke linearne kombinacije simetričnih matrica iz naučenog redundantnog skupa, korišćenjem informacionog kriterijuma koji počiva na principu minimuma diskriminativne informacije. Retka reprezentacija podrazumeva relativno mali broj aktivnih komponenti prilikom rekonstrukcije signala, a taj cilj postiže tako što istovremeno teži: očuvanju informacionog sadržaja i jednostavnosti predstave ili reprezentacije.

Paper presents a new model for sparse approximation of Gaussian components in statistical pattern recognition models that are based on Gaussian mixtures, with the aim of reducing computational complexity. Approximations of inverse covariance matrices are designed as sparse linear combinations of symmetric matrices that form redundant set, which is learned through information criterion based on the principle of minimum discrimination information. Sparse representation assumes relatively small number of active components in signal reconstruction, and it achieves that goal by simultaneously striving for: preservation of information content and simplicity of notion or representation.