Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Multilinear Supervised Neighborhood Embedding with Local Descriptor Tensor for Face Recognition Pembenaman Kejiranan Terkawal Berbilang Linear dengan Tensor Deskriptor Tempatan untuk Pengecaman Wajah

Xian-Hua HAN, Xu QIAO, Yen-Wei CHEN

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Kaedah pengecaman muka berasaskan pembelajaran subruang telah menarik minat yang besar dalam beberapa tahun kebelakangan ini, termasuk Analisis Komponen Utama (PCA), Analisis Komponen Bebas (ICA), Analisis Diskriminasi Linear (LDA) dan beberapa sambungan untuk analisis 2D. Walau bagaimanapun, kelemahan semua pendekatan ini ialah ia melakukan analisis subruang secara langsung pada vektor atau matriks keamatan tahap piksel yang dibentuk semula, yang biasanya tidak stabil di bawah pencahayaan atau varians pose. Dalam makalah ini, kami mencadangkan untuk mewakili imej muka sebagai tensor deskriptor tempatan, yang merupakan gabungan deskriptor kawasan setempat (tampalan piksel K*K) dalam imej, dan lebih cekap daripada Bag-Of- yang popular. Model ciri (BOF) untuk gabungan deskriptor tempatan. Tambahan pula, kami mencadangkan untuk menggunakan algoritma pembelajaran subruang berbilang linear (Supervised Neighborhood Embedding-SNE) untuk pengekstrakan ciri diskriminasi daripada tensor deskriptor tempatan bagi imej muka, yang boleh mengekalkan struktur sampel tempatan dalam ruang ciri. Kami mengesahkan algoritma cadangan kami pada pangkalan data Penanda Aras Yale dan PIE, dan keputusan percubaan menunjukkan kadar pengecaman dengan kaedah kami boleh dipertingkatkan dengan banyak berbanding kaedah analisis subruang konvensional terutamanya untuk bilangan sampel latihan yang kecil.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E94-D No.1 pp.158-161
Tarikh penerbitan
2011/01/01
Diumumkan
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.E94.D.158
Jenis Manuskrip
LETTER
kategori
Pengiktirafan Corak

Pengarang

Kata kunci

Contents [show]