El documento describe un método para clasificar subespacios utilizando Graph Embedding Discriminant Analysis en manifolds de Grassmann. El método mapea subespacios de imágenes a puntos en un manifold y luego mapea esos puntos a un segundo manifold para maximizar las distancias entre clases y minimizar las distancias dentro de clases. El método ofrece buen rendimiento y robustez pero requiere conocer el número de clases y tiene una complejidad de código moderada.

1. Un manifold por
descubrir
Graph Embedding Discriminant Analysis on Grassmannian
Manifolds
Pablo Vicente Munuera

2. Discriminando en el manifold

3. ¿En qué estaban pensando?
• Estructuras lineales = Mejor precisión
• El término manifold no es nuevo.
• Aproximación más matemática y menos intuitiva

4. El proceso
Subespacios y representación
Subespacios y representación
Con SVD convertimos la imagen a
un subespacio.
Subespacios como puntos de un
manifold

5. El proceso
Mapeado en un segundo manifold
Mapeado en un segundo manifold
• Matrices between-class y within-class de similitudes.
• Maximizamos las distancias en unas y minimizamos las otras.

6. Resultados
Pros y contras
Pros y contras
• Robustez y performance.
• Se debe conocer el número de
clases
• No es trivial.
• No es tiempo real.
• Complejidad de código moderada.
• Código libre.

7. Muchas gracias

8. Referencias
1. Based on:
http://itee.uq.edu.au/~uqmhara1/papers/2011/harandi_cvpr_2011.pdf
2. http://vc.sce.ntu.edu.sg/index_files/GraphEmbedding_framework.pdf
3. http://itee.uq.edu.au/~uqmhara1/codes/harandi_cvpr_2011_matlab.rar
4. http://link.springer.com/chapter/10.1007%2F978-3-642-39140-
8_13