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:

การจัดประเภทการถดถอยเชิงเส้น (LRC) เป็นรูปแบบใหม่ปรากฏการรู้วิธีการ ซึ่ง formulates ปัญหาการรับรู้ในแง่ของการถดถอยเชิงเส้นเฉพาะคลาสด้วยฝึกอบรมตัวอย่างที่เพียงพอสำหรับแต่ละคลาส ในเอกสารนี้ ตึก LRC พจนานุกรมย่อย intraclass และ SVD การจดจำใบหน้า undersampled มีน้อย หรือแม้เพียงหนึ่ง การฝึกอบรมอย่างต่อชั้น พจนานุกรมตัวแปร Intraclass ถูกนำใน undersampled เพื่อแสดงการเปลี่ยนแปลงได้ระหว่างการฝึกและทดสอบตัวอย่าง วิธี ผกผัน quasi-, regularization ริดจ์ และเอกพจน์ค่าแยกส่วนประกอบ (SVD), สามชนิดถูกออกแบบมาเพื่อแก้ปัญหาต่ำอันดับของข้อมูลเมตริกซ์ แล้ว ทั้งอัลกอริทึม ชื่อขยาย LRC (ELRC), การนำเสนอสำหรับการรู้จำใบหน้าผ่านพจนานุกรมย่อย intraclass และ SVD ผลการทดลองบนฐานข้อมูลหน้ารู้จักสามแสดงว่า ELRC นำเสนอมีความสามารถดีกว่า generalization และแข็งแกร่งมากขึ้นเพื่อจัดประเภทกว่าวิธีการในสมัยของใน undersampled

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทการถดถอยเชิงเส้น (LRC) เป็นวิธีการจดจำรูปแบบใหม่ปรากฏซึ่งหลักเกณฑ์การรับรู้ปัญหาที่เกิดขึ้นในแง่ของการถดถอยเชิงเส้นระดับที่เฉพาะเจาะจงกับกลุ่มตัวอย่างในการฝึกอบรมที่เพียงพอต่อชั้น. ในบทความนี้เราขยาย LRC ผ่านทางพจนานุกรมตัวแปร intraclass และ SVD เพื่อ undersampled จดจำใบหน้าที่มีน้อยมากหรือแม้กระทั่งเพียงหนึ่งตัวอย่างการฝึกอบรมต่อชั้น. พจนานุกรมตัวแปร intraclass ถูกนำมาใช้ในสถานการณ์ undersampled เพื่อเป็นตัวแทนของการเปลี่ยนแปลงเป็นไปได้ระหว่างการฝึกอบรมและการทดสอบตัวอย่าง. สามประเภทของวิธีการกึ่งผกผันกูสันและ มูลค่าเอกพจน์สลายตัว (SVD) ถูกออกแบบมาเพื่อแก้ปัญหาการจัดอันดับต่ำของเมทริกซ์ข้อมูล. จากนั้นขั้นตอนวิธีการทั้งชื่อขยาย LRC (ELRC) จะนำเสนอสำหรับการจดจำใบหน้าที่แตกต่างผ่านทางพจนานุกรม intraclass และ SVD. ผลการทดลองทั้งสามดี ฐานข้อมูลที่รู้จักกันใบหน้าแสดงให้เห็นว่าการเสนอ ELRC ทั่วไปมีความสามารถที่ดีขึ้นและมีประสิทธิภาพมากขึ้นในการจัดหมวดหมู่กว่าหลายวิธีการรัฐของศิลปะในสถานการณ์ undersampled

ผลลัพธ์ (ไทย) 3:

การถดถอยเชิงเส้น ( แอลอาร์ซี ) เป็นใหม่ปรากฏลวดลายที่ใช้ PayPal การรับรู้ปัญหาในแง่ของชั้นเรียนที่เฉพาะเจาะจงการถดถอยเชิงเส้นกับการฝึกอบรมที่เพียงพอตัวอย่างต่อชั้นเรียน

ในกระดาษนี้เราขยายแอลอาร์ซีผ่านตัวแปรแสดงพจนานุกรมและ SVD ให้ undersampled ใบหน้า ที่ มี มากน้อย หรือแม้เพียงหนึ่งตัวอย่างการฝึกอบรมต่อชั้นเรียน

ตัวแปรที่แสดงเป็นบุตรบุญธรรมในพจนานุกรม undersampled สถานการณ์เพื่อแสดงรูปแบบเป็นไปได้ระหว่างการฝึกอบรมและการทดสอบตัวอย่าง

สามชนิดของวิธีการ และตรงกันข้าม regularization ริดจ์และการย่อยสลายมูลค่าเอกพจน์ ( SVD ) ถูกออกแบบมาเพื่อแก้ปัญหาระดับต่ำของเมทริกซ์ข้อมูล

แล้วขั้นตอนวิธีการทั้งหมดที่มีชื่อขยายแอลอาร์ซี ( elrc )แสดงหน้าแสดงการรับรู้ผ่านทางตัวแปรพจนานุกรมและแผนกบริการ

ผลการทดลองสามฐานข้อมูลใบหน้าที่รู้จักกันดีแสดงให้เห็นว่ามีความสามารถในการเสนอ elrc ดีกว่า และมีเสถียรภาพมากขึ้นกว่าวิธีการจำแนกรัฐ - of - the - art มากในสถานการณ์ undersampled .