Pattern recognition with sparse representation of covariance matrices andcovariance descriptors

Abstract

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

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

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