پروژه 24

عنوان مقاله فارسی: یادگیری دیکشنری توسعه یافته هسته برای تشخیص چهره

عنوان مقاله لاتین: Learning Kernel Extended Dictionary for Face Recognition

نویسندگان: Ke-Kun Huang; Dao-Qing Dai; Chuan-Xian Ren; Zhao-Rong Lai

تعداد صفحات: 12

سال انتشار: 2017

زبان: لاتین

Abstract:

A sparse representation classifier (SRC) and a kernel discriminant analysis (KDA) are two successful methods for face recognition. An SRC is good at dealing with occlusion, while a KDA does well in suppressing intraclass variations. In this paper, we propose kernel extended dictionary (KED) for face recognition, which provides an efficient way for combining KDA and SRC. We first learn several kernel principal components of occlusion variations as an occlusion model, which can represent the possible occlusion variations efficiently. Then, the occlusion model is projected by KDA to get the KED, which can be computed via the same kernel trick as new testing samples. Finally, we use structured SRC for classification, which is fast as only a small number of atoms are appended to the basic dictionary, and the feature dimension is low. We also extend KED to multikernel space to fuse different types of features at kernel level. Experiments are done on several large-scale data sets, demonstrating that not only does KED get impressive results for nonoccluded samples, but it also handles the occlusion well without overfitting, even with a single gallery sample per subject.

طبقه‌بندی کننده نمایش تنک (SRC)و تحلیل تفکیک کرنل (KDA)دو روش موفق برای تشخیص چهره هستند. یک SRC در مقابله با انسداد خوب است در حالی که یک KDA در سرکوب تغییرات درون طبقه‌ای خوب عمل می‌کند. در این مقاله، ما فرهنگ لغت گسترش‌یافته کرنل را برای تشخیص چهره پیشنهاد می‌کنیم که راهی موثر برای ترکیب KDA و SRC فراهم می‌کند. در ابتدا چندین جز اصلی کرنل از تغییرات انسداد را به عنوان یک مدل انسداد یاد می‌گیریم که می‌تواند تغییرات انسداد را به طور موثر نشان دهد. سپس، مدل انسداد توسط KDA برای به دست آوردن ظاهر شده طرح‌ریزی می‌شود، که می‌تواند از طریق همان خطای هسته به عنوان نمونه‌های آزمایش جدید محاسبه شود. در نهایت، ما از SRC ساخت یافته برای طبقه‌بندی استفاده می‌کنیم، که به سرعت تنها تعداد کمی از اتم‌ها به فرهنگ پایه ضمیمه می‌شوند، و بعد ویژگی پایین است. همچنین برای ترکیب انواع مختلف ویژگی‌ها در سطح کرنل، محدوده مورد نظر را به فضای چند هسته‌ای گسترش می‌دهیم. آزمایش‌ها بر روی چندین مجموعه داده در مقیاس بزرگ انجام شده‌است، که نشان می‌دهد نه تنها نتایج قابل‌توجهی برای نمونه‌های مسدود نشده به دست می‌آید، بلکه انسداد را به خوبی بدون برازش زیاد، حتی با یک نمونه تک گالری به ازای هر موضوع کنترل می‌کند.