公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

半配对半监督场景下的低分辨率人脸识别被引量：19: 2012年; 实际环境(如监控)中常遇到大量低分辨率人脸图像需要识别.对低分辨率人脸的识别相对高分辨率更难,因其含有相对有限的判别信息.为此,通过在人脸识别(系统)构建阶段引入与低分辨率人脸相配对的高分辨率人脸,以提高识别性能成为最近研究的焦点之一.但这些研究仍存在以下不足:1)均要求高、低分辨率人脸样本间的全配对;2)识别系统构建时未利用给出的类信息,导致系统性能受限.事实上常常面对的应用场景是仅能获取部分配对和部分标号的高、低分辨率人脸样本集,即所谓的半配对半监督场景,对此提出一种用于低分辨率人脸识别的半配对半监督算法,以弥补现有相关研究的不足.在Yale和AR人脸数据集上的实验结果验证了该算法的有效性.; 周旭东陈晓红陈松灿; 关键词：人脸识别半监督学习

增强组合特征判别性的典型相关分析被引量：8: 2012年; 典型相关分析(CCA)在执行分类任务时主要存在如下不足:1)尽管分类时的输入是组合特征,但CCA仅优化组合特征的各组成部分,并未直接优化组合特征本身;2)尽管面对的是分类任务,然而CCA根本无法利用样本的类信息.为弥补CCA的上述不足,文中提出一种监督型降维方法——增强组合特征判别性的典型相关分析(CECCA).CECCA在CCA基础上,通过结合组合特征的判别分析,实现对组合特征相关性与判别性的联合优化,使所抽取特征更适合分类.在人工数据集、多特征手写体数据集和人脸数据集上的实验结果验证该方法的有效性.; 周旭东陈晓红陈松灿; 关键词：降维信息融合

Linear discriminant analysis with worst between-class separation and average within-class compactness: 2014年; 线性判别式分析(LDA ) 是最流行的监督维数减小(医生) 之一技术并且获得由最大化平均盒子的在班之间的比率的设计散布到平均盒子的在内班的判别式散布。二个最近的判别式分析算法(DAS ) ，最小的距离最大化(MDM ) 和最坏的 LDA (WLDA ) ，由优化得到设计最坏散布。在这份报纸，我们开发与由最大化最坏的在班之间的比率的在班之间分离和平均在内班紧密(WSAC ) 散布到平均盒子的在内班的最糟称为 LDA 的一个新 LDA 框架散布。这能被放松踪迹比率优化到学习问题的一个距离度量标准完成。比较实验表明它的有效性。另外，用数据和内核诡计的本地几何学的 DA 对应物能同样被嵌进我们的框架并且以一样的方法被解决。; Leilei YANG Songcan CHEN; 关键词：线性判别分析 LDA

基于矩阵正态分布似然比测试的矩阵度量学习算法被引量：1: 2012年; 本研究基于KISS(keep it simple and stupid)算法,利用似然比测试直接为矩阵模式定义度量,解决了现有大多数度量学习算法需要经过复杂优化过程的问题。通过在似然比测试中有目的地引入矩阵正态分布,该度量无需将矩阵模式通过向量化的方法变成向量模式,因而具有如下优点:(1)能够避免维数灾难;(2)比KISS更鲁棒;(3)无需计算大矩阵的逆和特征值分解,因此计算远快于KISS算法。最终的实验验证了该算法的优势。; 钱强陈松灿

最坏分离的联合分辨率判别分析被引量：10: 2015年; 现实中,常需辨识低分辨率(low-resolution,简称LR)图像(如监控系统所捕捉的人脸),但相比通常的高(high-resolution,简称HR)或超(super-resolution,简称SR)分辨率图像而言,其含有相对较少的判别信息,致使通常的子空间学习算法,如结合主成分分析(principal components analysis,简称PCA)的线性判别分析(linear discriminant analysis,简称LDA)难以获得理想的识别效果.为了缓和该问题,最近所提出的联合判别分析(如SDA)借助与低分辨率相配对的高分辨率图像辅助设计LR图像分类器.在SDA的实现中,其采用了类似LDA的平均散度定义,使SDA遗传了LDA在投影时难以使相对靠近的类充分分离的问题.为了克服该不足,提出了针对LR图像识别的最坏分离的联合分辨率判别分析(worst-separated couple-resolution discriminant analysis,简称WSCR),从而使:(1)LR和HR投影到同一低维子空间;(2)投影后的最小类间隔最大化.实验结果表明:与SDA相比,WSCR更适用于低分辨率的图像识别.; 杨磊磊陈松灿; 关键词：线性判别分析

有序判别典型相关分析被引量：6: 2014年; 多视图学习方法通过视图间互补信息的融合,达到增强单一视图方法的鲁棒性并提升学习性能的目的.典型相关分析(canonical correlation analysis,简称CCA)是一种重要的多视图信息融合技术.其研究的是针对同一组目标两组不同观测数据间的相关性,目标是得到一组相关性最大的投影向量.但当面对标号有序的分类任务时,CCA因没有利用类信息和类间有序信息,造成了对分类性能的制约.为此,通过将有序类信息嵌入CCA进行扩展,发展出有序判别典型相关分析(ordinal discriminative canonical correlation analysis,简称OR-DisCCA).实验结果表明,OR-DisCCA的性能比相关方法更优.; 周航星陈松灿; 关键词：信息融合

Co-metric： a metric learning algorithm for data with multiple views: 2013年; Qiang QIANSongcan CHEN; 关键词：学习算法多视图合作制点数据

空间结构化欧拉核及其应用: 2016年; 自Yang等将向量主成分分析(1D-PCA)推广至面向图像的2D-PCA以来,众多基于向量的1D形式算法被相继推广至对应的2D形式.因利用了图像/矩阵空间特定的结构先验知识,在处理矩阵型数据时2D算法自然导致了较传统1D算法更好的学习性能,这与"没有免费午餐定理"相符.但2D算法仍有其不足,主要表现在:(1)2D算法几乎都是线性的,因此对非线性数据处理的能力有限;(2)2D算法的空间结构信息利用仍不够充分.针对第一个不足,本文利用核方法进行改进,但相对于1D算法,2D算法因难以利用表示定理而导致核化困难,因此本文绕过表示定理,通过改变度量获得一个简洁的核化方法;针对第二个不足,本文采用在核空间直接对空间结构信息进行补偿的方法.但这需要在核空间中描述矩阵数据的空间结构,如果使用隐式核进行核化可能会导致矩阵数据空间结构扭曲,从而使对空间结构信息的描述和利用变得困难;如果使用显式核进行核化,会导致维数灾难而失去隐式核的优势.若核映射是一个显式、等维且各分量非耦合的映射,就能自然地描述出矩阵数据在核空间中的结构.幸运的是,存在众多符合以上要求的显式核(如Hellinger核和欧拉核)和隐式加性核(如Intersection核、JS核和χ2核)的近似显式形式.因欧拉核形式上的简洁性及其良好的行为,本文以欧拉核作为样例,首次尝试进行矩阵的核化及其在核空间的空间结构信息补偿.尽管存在若干空间结构信息的补偿方法,如空间结构信息约束、图像距离度量等,本文围绕现有的图像欧氏距离加以阐述,从而为矩阵或图像数据构建出对应的空间结构化欧拉核.最后将其应用于典型2D算法并通过实验验证了其有效性.; 刘爽陈松灿; 关键词：核方法图像欧氏距离

全选清除导出

共1页<1>

国家自然科学基金(61170151)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

国家自然科学基金(61170151)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈