Linear Regression Classification (L

Linear Regression Classification (LRC) is a newly-appeared pattern recognition method, which formulates
the recognition problem in terms of class-specific linear regression with sufficient training samples per
class. In this paper, we extend LRC via intraclass variant dictionary and SVD to undersampled face recognition
where there are very few, or even only one, training sample per class. Intraclass variant dictionary
is adopted in undersampled situation to represent the possible variation between the training and testing
samples. Three types of methods, quasi-inverse, ridge regularization and Singular Value Decomposition
(SVD), are designed to solve low-rank problem of data matrix. Then the whole algorithm, named
Extended LRC (ELRC), is presented for face recognition via intraclass variant dictionary and SVD. The
experimental results on three well-known face databases show that the proposed ELRC has better
generalization ability and is more robust to classification than many state-of-the-art methods in
undersampled situation.

ผลลัพธ์ (ไทย) 1:

ประเภทถดถอยเชิงเส้น (LRC) จะเป็นปรากฏใหม่รูปแบบวิธีการรับรู้ ซึ่ง formulatesปัญหาการรับรู้ในแง่ของการถดถอยเชิงเส้นเฉพาะคลาสด้วยการฝึกอบรมตัวอย่างที่เพียงพอต่อคลา ในเอกสารนี้ ตึก LRC พจนานุกรมย่อย intraclass และ SVD การจดจำใบหน้า undersampledมีน้อย หรือแม้เพียงหนึ่ง ฝึกอบรมตัวอย่างสำหรับแต่ละคลาส พจนานุกรมตัวแปร Intraclassนำใน undersampled เพื่อแสดงการเปลี่ยนแปลงได้ระหว่างการฝึกอบรม และทดสอบตัวอย่างการ สามชนิดของวิธีการ ผกผัน quasi-, regularization ริดจ์ และแยกส่วน ประกอบค่าเอกพจน์(SVD), ถูกออกแบบมาเพื่อแก้ปัญหาต่ำอันดับของข้อมูลเมตริกซ์ แล้วทั้งอัลกอริทึม ชื่อมีการนำเสนอขยาย LRC (ELRC), การรู้จำใบหน้าผ่านพจนานุกรมย่อย intraclass และ SVD ที่ผลการทดลองบนฐานข้อมูลหน้ารู้จักสามแสดงว่า ELRC นำเสนอได้ดีความสามารถในการ generalization และแข็งแกร่งมากขึ้นเพื่อจัดประเภทกว่าวิธีทันสมัยมากมายในสถานการณ์ undersampled

ผลลัพธ์ (ไทย) 2:

การถดถอยเชิงเส้นจำแนก (LRC) เป็นวิธีการจดจำรูปแบบใหม่ปรากฏซึ่งกำหนด
ปัญหาได้รับการยอมรับในแง่ของระดับที่เฉพาะเจาะจงถดถอยเชิงเส้นกับตัวอย่างการฝึกอบรมที่เพียงพอต่อ
การเรียน ในบทความนี้เราขยาย LRC ผ่าน intraclass พจนานุกรมตัวแปรและ SVD การจดจำใบหน้า undersampled
ที่มีน้อยมากหรือแม้กระทั่งเพียงหนึ่งตัวอย่างการฝึกอบรมต่อชั้นเรียน intraclass ตัวแปรพจนานุกรม
ถูกนำมาใช้ในสถานการณ์ undersampled จะเป็นตัวแทนของการเปลี่ยนแปลงที่เป็นไปได้ระหว่างการฝึกอบรมและการทดสอบ
ตัวอย่าง สามประเภทของวิธีการเสมือนผกผันสัน regularization และสลายมูลค่าเอกพจน์
(SVD) ถูกออกแบบมาเพื่อแก้ปัญหาที่มีการจัดอันดับของเมทริกซ์ข้อมูล จากนั้นอัลกอริทึมทั้งชื่อ
ขยาย LRC (ELRC) จะนำเสนอสำหรับการจดจำใบหน้าผ่าน intraclass พจนานุกรมตัวแปรและ SVD
ผลการทดลองที่สามที่รู้จักกันดีฐานข้อมูลใบหน้าแสดงให้เห็นว่าเสนอ ELRC มีดีกว่า
ความสามารถทั่วไปและมีประสิทธิภาพมากขึ้นในการจัดหมวดหมู่กว่าวิธีการรัฐของศิลปะในหลาย ๆ
สถานการณ์ undersampled

ผลลัพธ์ (ไทย) 3:

การถดถอยเชิงเส้น ( แอลอาร์ซี ) เป็นใหม่ปรากฏลวดลายที่ใช้ PayPal
รับรู้ปัญหาในแง่ของชั้นเรียนที่เฉพาะเจาะจงการถดถอยเชิงเส้นกับการฝึกอบรมที่เพียงพอตัวอย่างต่อ
เรียน ในกระดาษนี้เราขยายแอลอาร์ซีผ่านตัวแปรแสดงพจนานุกรมและ SVD กับ undersampled
จดจำใบหน้าที่มี มากน้อย หรือแม้เพียงหนึ่งตัวอย่างการฝึกอบรมต่อชั้นเรียนตัวแปรที่แสดงเป็นบุตรบุญธรรมในพจนานุกรม
undersampled สถานการณ์เพื่อแสดงรูปแบบเป็นไปได้ระหว่างการฝึกอบรมและการทดสอบ
ตัวอย่าง สามประเภทของวิธีการกึ่งผิดกฎหมาย , ผกผัน , สันและเอกพจน์ค่าการสลายตัว
( SVD ) ถูกออกแบบมาเพื่อแก้ปัญหาระดับต่ำของเมทริกซ์ข้อมูล จากนั้นขั้นตอนทั้งหมด ชื่อ
ขยายแอลอาร์ซี ( elrc )แสดงหน้าแสดงการรับรู้ผ่านทางตัวแปรพจนานุกรมและแผนกบริการ
ผลสามฐานข้อมูลใบหน้าที่รู้จักกันดีแสดงให้เห็นว่ามีความสามารถในการเสนอ elrc ดีกว่า
และแข็งแกร่งมากขึ้นกว่าวิธีการจำแนกรัฐ - of - the - art มากในสถานการณ์ undersampled
.