ECAI 2016是欧洲展示AI科学成果的最佳场所，大会为研究人员提供了很好的机会，去介绍和听取当代最优秀的人工智能研究成果。
人脸识别的随机典型相关判别分析（Randomized Canonical Correlation Discriminant Analysis for Face Recognition）
摘要：典型相关分析（CCA）作为多元统计分析中的一大重要技术，已广泛应用于脸部识别。但是现存基于CCA的脸部识别方法需要相同脸部脸样本的两种表达，而且在处理大样本时，通常会受到较高的计算复杂度困扰。在本文中，我们提出了一种监督的方法，称为随机典型相关判别分析（RCCDA），它基于随机非线性典型相关分析（RCCA）以弥补基于CCA脸部识别方法的不足。我们首先获得基本向量大概的随机特征，而不是计算核心矩阵来提高计算的效率，然后，我们使用这些基础向量来计算随机最优判别特征，它可以减少人脸特征的维数，同时尽可能多的保留歧视性信息。扩展Yale B，AR，ORL和FERET脸部数据库的实验结果显示，我们方法的性能与一些最好的算相比法也毫不逊色。
第一作者简介
Bo Ma
任职：中国计算机学会会员，IEEE会员，北京理工大学计算机学院副教授，博士生导师
研究方向:机器学习、图像处理、计算机视觉、模式识别、信息融合。近期的研究重点包括图像目标跟踪、压缩感知、图像分类、基于变分法的图像处理等。
相关学术论文：
·“Linearization to Nonlinear Learning for Visual Tracking”（ICCV2015）
·“Discriminative Visual Tracking Using Tensor Pooling”（2015）
文章总结及应用场景
本文中，提出了一种有效的人脸识别方法-RCCDA。我们的方法提取局部特征，然后采用RCCDA减少维度并将局部特征映射到一个最佳的判别空间。该方法的主要优点是RCCDA保留尽可能多的歧视性信息，而且通过随机方法大大加快计算速度。扩展Yale B，AR，ORL和FERET脸部数据库的实验结果显示，我们方法的性能与一些最好的算相比法也毫不逊色。
提出的RCCDA作为一种有效的特征提取方法，也可以用于其他识别任务，如视觉跟踪，图像检索与图像分类。对于这些任务，特征提取过程都可以用我们的方法取代。只需要少量的训练样本，就可以有效地获得必要的区分信息。我们未来的工作将专注于应用所提出的方法到其它的识别问题中，并优化局部特征组合，核心函数和其RCCDA编码方法。
via：ECAI 2016
PS : 本文由雷锋网(公众号：雷锋网)独家编译，未经许可拒绝转载！
