0
| 本文作者： 章敏 | 2016-08-31 16:56 |
導(dǎo)讀：ECAI 2016是歐洲展示AI科學(xué)成果的最佳場所，大會為研究人員提供了很好的機(jī)會，去介紹和聽取當(dāng)代最優(yōu)秀的人工智能研究成果。
摘要：典型相關(guān)分析（CCA）作為多元統(tǒng)計分析中的一大重要技術(shù)，已廣泛應(yīng)用于臉部識別。但是現(xiàn)存基于CCA的臉部識別方法需要相同臉部臉樣本的兩種表達(dá)，而且在處理大樣本時，通常會受到較高的計算復(fù)雜度困擾。在本文中，我們提出了一種監(jiān)督的方法，稱為隨機(jī)典型相關(guān)判別分析（RCCDA），它基于隨機(jī)非線性典型相關(guān)分析（RCCA）以彌補(bǔ)基于CCA臉部識別方法的不足。我們首先獲得基本向量大概的隨機(jī)特征，而不是計算核心矩陣來提高計算的效率，然后，我們使用這些基礎(chǔ)向量來計算隨機(jī)最優(yōu)判別特征，它可以減少人臉特征的維數(shù)，同時盡可能多的保留歧視性信息。擴(kuò)展Yale B，AR，ORL和FERET臉部數(shù)據(jù)庫的實驗結(jié)果顯示，我們方法的性能與一些最好的算相比法也毫不遜色。
Bo Ma
任職：中國計算機(jī)學(xué)會會員，IEEE會員，北京理工大學(xué)計算機(jī)學(xué)院副教授，博士生導(dǎo)師
研究方向:機(jī)器學(xué)習(xí)、圖像處理、計算機(jī)視覺、模式識別、信息融合。近期的研究重點包括圖像目標(biāo)跟蹤、壓縮感知、圖像分類、基于變分法的圖像處理等。
相關(guān)學(xué)術(shù)論文：
·“Linearization to Nonlinear Learning for Visual Tracking”（ICCV2015）
·“Discriminative Visual Tracking Using Tensor Pooling”（2015）
本文中，提出了一種有效的人臉識別方法-RCCDA。我們的方法提取局部特征，然后采用RCCDA減少維度并將局部特征映射到一個最佳的判別空間。該方法的主要優(yōu)點是RCCDA保留盡可能多的歧視性信息，而且通過隨機(jī)方法大大加快計算速度。擴(kuò)展Yale B，AR，ORL和FERET臉部數(shù)據(jù)庫的實驗結(jié)果顯示，我們方法的性能與一些最好的算相比法也毫不遜色。
提出的RCCDA作為一種有效的特征提取方法，也可以用于其他識別任務(wù)，如視覺跟蹤，圖像檢索與圖像分類。對于這些任務(wù)，特征提取過程都可以用我們的方法取代。只需要少量的訓(xùn)練樣本，就可以有效地獲得必要的區(qū)分信息。我們未來的工作將專注于應(yīng)用所提出的方法到其它的識別問題中，并優(yōu)化局部特征組合，核心函數(shù)和其RCCDA編碼方法。
via：ECAI 2016
PS : 本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
