作为一种新的非监督性统计学习方法，流形学习近年来越来越引起机器学习及认知科学工作者的重视。其本质是发现高维观测数据集的内在低维流形结构和嵌入映射关系。流形学习的各种算法也成为研究热点，很多经典流形学习算法包括多维尺度分析（Multidimensional Scaling, MDS）、主成分分析（Principle Component Analysis, PCA）、拉普拉斯特征变换（Laplacian Eigenmaps, LE）、局部线性嵌入（Locally Linear Embedding, LLE）、等度规映射（Isometric Mapping, Isomap）等在图像信息压缩、模式识别、图像处理等众多领域都有广泛应用。本文主要介绍了流形学习的研究背景，各个算法的数学描述，在图像视频检索领域的应用以及未来的研究方向。

>>查看原文初稿链接<<

>>更多科技论文<<