導(dǎo)讀：ECAI 2016是歐洲展示AI科學(xué)成果的最佳場(chǎng)所，大會(huì)為研究人員提供了很好的機(jī)會(huì)，去介紹和聽(tīng)取當(dāng)代最優(yōu)秀的人工智能研究成果。

人臉識(shí)別的隨機(jī)典型相關(guān)判別分析（Randomized Canonical Correlation Discriminant Analysis for Face Recognition）

 

摘要：典型相關(guān)分析（CCA）作為多元統(tǒng)計(jì)分析中的一大重要技術(shù)，已廣泛應(yīng)用于臉部識(shí)別。但是現(xiàn)存基于CCA的臉部識(shí)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(shí)，通常會(huì)受到較高的計(jì)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(shí)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(jì)算核心矩陣來(lái)提高計(jì)算的效率，然后，我們使用這些基礎(chǔ)向量來(lái)計(jì)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(shí)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(kù)的實(shí)驗(yàn)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。

第一作者簡(jiǎn)介

Bo Ma

任職：中國(guó)計(jì)算機(jī)學(xué)會(huì)會(huì)員，IEEE會(huì)員，北京理工大學(xué)計(jì)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(jì)算機(jī)視覺(jué)、模式識(shí)別、信息融合。近期的研究重點(diǎn)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）

文章總結(jié)及應(yīng)用場(chǎng)景

本文中，提出了一種有效的人臉識(shí)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(gè)最佳的判別空間。該方法的主要優(yōu)點(diǎn)是RCCDA保留盡可能多的歧視性信息，而且通過(guò)隨機(jī)方法大大加快計(jì)算速度。擴(kuò)展Yale B，AR，ORL和FERET臉部數(shù)據(jù)庫(kù)的實(shí)驗(yàn)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(shí)別任務(wù)，如視覺(jué)跟蹤，圖像檢索與圖像分類。對(duì)于這些任務(wù)，特征提取過(guò)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(lái)的工作將專注于應(yīng)用所提出的方法到其它的識(shí)別問(wèn)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(dú)家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

原論文下載

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。