Most existing color face feature ex

Most existing color face feature extraction methods need to perform color space transformation, and they reduce correlation of color components on the data level that has no direct connection with classification. Some methods extract features from R, G and B components serially with orthogonal constraints on the feature level, yet the serial extraction manner might make discriminabilities of features derived from three components distinctly different. Multi-set feature learning can jointly learn features from multiple sets of data effectively. In this paper, we propose two novel color face recognition approaches, namely multi-set statistical uncorrelated projection analysis (MSUPA) and multi-set discriminating uncorrelated projection analysis (MDUPA), which extract discriminant features from three color components together and simultaneously reduce the global statistical and global discriminating feature-level correlation between color components in a multi-set manner, respectively. Experiments on multiple public color face databases demonstrate that the proposed approaches outperform several related state-of-the-arts.

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่ที่มีอยู่แล้วสีหน้าลักษณะวิธีการสกัดต้องดำเนินการเปลี่ยนแปลงพื้นที่สี และพวกเขาลดความสัมพันธ์ของส่วนประกอบของสีในระดับข้อมูลที่มีการเชื่อมต่อไม่ตรงกับการจัดประเภท บางวิธีแยกคุณลักษณะจาก R, G และ B ส่วนประกอบ serially ด้วยข้อจำกัดระดับคุณลักษณะ มุมฉาก ได้ลักษณะอนุกรมดูดอาจทำให้ discriminabilities ของสิ่งที่ได้มาจากองค์ประกอบสามส่วนที่แตก หลายชุดคุณลักษณะการเรียนรู้สามารถร่วมเรียนรู้คุณสมบัติจากหลายชุดของข้อมูลได้อย่างมีประสิทธิภาพ ในกระดาษนี้ เราเสนอนวนิยายสีใบหน้ารู้นารี ชุดหลายคือฉาย uncorrelated สถิติวิเคราะห์ (MSUPA) และชุดหลายเหยียดอย่างฉาย uncorrelated วิเคราะห์ (MDUPA), ซึ่งสารสกัดจาก discriminant คุณสมบัติจากสามสีประกอบเข้าด้วยกัน และพร้อมกันลดทั่วโลกสถิติ และสากลเหยียดอย่างคุณลักษณะระดับความสัมพันธ์ระหว่างส่วนประกอบของสีในลักษณะหลายชุด ตามลำดับ การทดลองกับสาธารณะสีหน้าฐานข้อมูลหลายฐานแสดงให้เห็นว่า วิธีการนำเสนอดีกว่าหลายที่เกี่ยวข้องกับสถานะของกิจกรรม

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่วิธีคุณลักษณะใบหน้าสีที่มีอยู่สกัดจำเป็นต้องดำเนินการเปลี่ยนแปลงพื้นที่สีและพวกเขาลดความสัมพันธ์ของส่วนประกอบของสีในระดับข้อมูลที่ไม่มีการเชื่อมต่อโดยตรงกับการจัดหมวดหมู่ วิธีการบางอย่างดึงคุณสมบัติจาก R, G และส่วนประกอบ B เป็นลำดับที่มีข้อ จำกัด ในระดับมุมฉากคุณลักษณะ แต่ลักษณะการสกัดแบบอนุกรมอาจทำให้ discriminabilities ของคุณสมบัติที่ได้มาจากสามองค์ประกอบที่แตกต่างกันอย่างเห็นได้ชัด หลายชุดการเรียนรู้คุณลักษณะที่สามารถร่วมกันเรียนรู้คุณสมบัติจากหลายชุดของข้อมูลได้อย่างมีประสิทธิภาพ ในบทความนี้เรานำเสนอนวนิยายสองวิธีการจดจำใบหน้าสีคือหลายตั้งค่าสถิติวิเคราะห์ประมาณการ uncorrelated (MSUPA) และหลายชุดจำแนกวิเคราะห์ประมาณการ uncorrelated (MDUPA) ซึ่งแยกคุณลักษณะจำแนกจากสามส่วนประกอบของสีด้วยกันและพร้อมกันลดโลก สถิติและความสัมพันธ์ทั่วโลกจำแนกคุณลักษณะระดับระหว่างส่วนประกอบของสีในลักษณะหลายชุดตามลำดับ การทดลองเกี่ยวกับฐานข้อมูลใบหน้าสีสาธารณะหลายแสดงให้เห็นว่าวิธีการที่ดีกว่าเสนอต่างๆที่เกี่ยวข้องกับรัฐของศิลปะ

ผลลัพธ์ (ไทย) 3:

ส่วนใหญ่ที่มีอยู่คุณลักษณะวิธีการสกัดสีใบหน้าต้องแสดงการเปลี่ยนแปลงสีและพวกเขาลดความสัมพันธ์ขององค์ประกอบสีในระดับข้อมูลที่ไม่มีการเชื่อมต่อโดยตรงกับการจำแนก บางวิธีการสกัดคุณลักษณะจาก R G และ B ซึ่งเป็นส่วนประกอบที่มีข้อจำกัดในระดับคุณลักษณะ แต่การสกัดลักษณะต่อเนื่องอาจทำให้ discriminabilities คุณลักษณะที่ได้จากชิ้นส่วนที่แตกต่างกันอย่างเด่นชัด 3 หลายชุดคุณลักษณะการเรียนรู้ร่วมกันสามารถเรียนรู้คุณสมบัติจากหลายชุดของข้อมูลได้อย่างมีประสิทธิภาพ ในบทความนี้เรานำเสนอสองวิธีจดจำใบหน้าสีใหม่ ได้แก่ การวิเคราะห์ทางสถิติ ( หลายชุดฉาย uncorrelated msupa ) และหลายชุดจำแนกการวิเคราะห์ประมาณการ uncorrelated ( mdupa ) ซึ่งสกัดจาก 3 องค์ประกอบด้วยกันประกอบด้วยการจำแนกสีและลดพร้อมกันทั่วโลกทางสถิติและความสัมพันธ์ระหว่างระดับสากลจำแนกคุณลักษณะสีส่วนประกอบในลักษณะตั้งหลาย ตามลำดับ การทดลองในฐานข้อมูลสาธารณะหลายแสดงสีหน้าที่เสนอแนวทางที่เกี่ยวข้องลง หลายรัฐของศิลปะ