導讀：ECAI 2016是歐洲展示AI科學成果的最佳場所，大會為研究人員提供了很好的機會，去介紹和聽取當代最優(yōu)秀的人工智能研究成果。

人臉識別的隨機典型相關判別分析（Randomized Canonical Correlation Discriminant Analysis for Face Recognition）

 

摘要：典型相關分析（CCA）作為多元統(tǒng)計分析中的一大重要技術，已廣泛應用于臉部識別。但是現存基于CCA的臉部識別方法需要相同臉部臉樣本的兩種表達，而且在處理大樣本時，通常會受到較高的計算復雜度困擾。在本文中，我們提出了一種監(jiān)督的方法，稱為隨機典型相關判別分析（RCCDA），它基于隨機非線性典型相關分析（RCCA）以彌補基于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，我們使用這些基礎向量來計算隨機最優(yōu)判別特征，它可以減少人臉特征的維數，同時盡可能多的保留歧視性信息。擴展Yale B，AR，ORL和FERET臉部數據庫的實驗結果顯示，我們方法的性能與一些最好的算相比法也毫不遜色。

第一作者簡介

Bo Ma

任職：中國計算機學會會員，IEEE會員，北京理工大學計算機學院副教授，博士生導師

研究方向:機器學習、圖像處理、計算機視覺、模式識別、信息融合。近期的研究重點包括圖像目標跟蹤、壓縮感知、圖像分類、基于變分法的圖像處理等。

相關學術論文：

·“Linearization to Nonlinear Learning for Visual Tracking”（ICCV2015）

·“Discriminative Visual Tracking Using Tensor Pooling”（2015）

文章總結及應用場景

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，而且通過隨機方法大大加快計算速度。擴展Yale B，AR，ORL和FERET臉部數據庫的實驗結果顯示，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，如視覺跟蹤，圖像檢索與圖像分類。對于這些任務，特征提取過程都可以用我們的方法取代。只需要少量的訓練樣本，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，核心函數和其RCCDA編碼方法。

via：ECAI  2016

PS : 本文由雷鋒網獨家編譯，未經許可拒絕轉載！

原論文下載

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。