更快,更精确的人脸识别方法(ECAI 2016论文精选)| AI科技评论-阿里云开发者社区

开发者社区> 雷锋网> 正文
登录阅读全文

更快,更精确的人脸识别方法(ECAI 2016论文精选)| AI科技评论

简介:

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)

 更快,更精确的人脸识别方法(ECAI 2016论文精选)| AI科技评论

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!

原论文下载

更快,更精确的人脸识别方法(ECAI 2016论文精选)| AI科技评论


本文作者:章敏

本文转自雷锋网禁止二次转载,原文链接

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
+ 订阅

秉承“关注智能与未来”的宗旨,持续对全球前沿技术趋势与产品动态进行深入调研与解读。

官网链接