UnsupervisedDiscriminant Projection

Unsupervised
Discriminant Projection (UDP), and Locality Preserving Projections (LPP) have been widely used in face
recognition applications as a tool to capture low dimensional discriminant information. However, when
these methods are applied in the context of face recognition, they often encounter the small-sample-size
problem. In order to overcome this problem, a separate Principal Component Analysis (PCA) step is
usually adopted to reduce the dimensionality of the data. However, such a step may discard dimensions
that contain important discriminative information that can aid classification performance. In this work,
we propose a new idea which we named Multi-class Fukunaga Koontz Discriminant Analysis (FKDA) by
incorporating the Fukunaga Koontz Transform within the optimization for maximizing class separation
criteria in LDA, UDP, and LPP. In contrast to traditional LDA, UDP, and LPP, our approach can work with
very high dimensional data as input, without requiring a separate dimensionality reduction step to make
the scatter matrices full rank. In addition, the FKDA formulation seeks optimal projection direction
vectors that are orthogonal which the existing methods cannot guarantee, and it has the capability of
finding the exact solutions to the “trace ratio” objective in discriminant analysis problems while traditional
methods can only deal with a relaxed and inexact “ratio trace” objective. We have shown using six
face database, in the context of large scale unconstrained face recognition, face recognition with occlusions,
and illumination invariant face recognition, under “closed set”, “semi-open set”, and “open set”
recognition scenarios, that our proposed FKDA significantly outperforms traditional linear discriminant
subspace learning methods as well as five other competing algorithms.

ผลลัพธ์ (ไทย) 1:

UnsupervisedDiscriminant ฉาย (UDP), และประมาณสำรองของท้องถิ่น (แอล) ได้ถูกใช้ในหน้าโปรแกรมประยุกต์การรู้เป็นเครื่องมือเพื่อเก็บข้อมูลมิติ discriminant ต่ำ อย่างไรก็ตาม เมื่อใช้วิธีการเหล่านี้ในบริบทของการรู้จำใบหน้า พวกเขามักจะพบในตัวอย่างขนาดเล็กปัญหา เพื่อเอาชนะปัญหานี้ ขั้นตอนการวิเคราะห์ส่วนประกอบหลัก (PCA) แยกเป็นมักจะนำมาใช้เพื่อลด dimensionality ของข้อมูล อย่างไรก็ตาม เป็นขั้นตอนอาจละทิ้งมิติที่ประกอบด้วยข้อมูล discriminative สำคัญที่สามารถช่วยจัดประเภทประสิทธิภาพ ในงานนี้เราเสนอความคิดใหม่ซึ่งเราตั้งชื่อคลาสหลาย Fukunaga Koontz Discriminant วิเคราะห์ (FKDA) โดยเพจ Fukunaga Koontz แปลงภายในเพิ่มประสิทธิภาพสำหรับการเพิ่มแยกชั้นเงื่อนไขใน LDA, UDP และแอล ตรงข้าม LDA, UDP และแอล วิธีการของเราสามารถทำงานกับข้อมูลมิติสูงมากเป็นอินพุท โดย dimensionality แยกลดขั้นตอนการทำการกระจายเมทริกซ์เต็มยศ กำหนด FKDA หาทิศทางของโปรเจคเตอร์ที่เหมาะสมเวกเตอร์ที่เป็น orthogonal ซึ่งวิธีการที่มีอยู่ไม่สามารถรับประกัน และมีความสามารถในการหาวิธีแก้ปัญหาแน่นอนวัตถุประสงค์ "ติดตามอัตรา" ใน discriminant วิเคราะห์ปัญหาในขณะที่แบบดั้งเดิมวิธีสามารถจัดการเฉพาะ กับการผ่อนคลาย และของ "อัตราส่วนติดตาม" วัตถุประสงค์ได้ เราได้แสดงการใช้ 6ฐานข้อมูลหน้า ในบริบทของใหญ่ขนาดจดจำใบหน้า unconstrained จดจำใบหน้ากับ occlusionsและแสงสว่างไม่เปลี่ยนแปลงจด จำใบหน้า ใต้ "ปิดชุด", "กึ่งเปิดชุด" และ "เปิดชุด"การรับรู้สถานการณ์ ที่ FKDA ของเรานำเสนอ outperforms discriminant เชิงเส้นแบบดั้งเดิมอย่างมีนัยสำคัญเรียนรู้วิธีรวมทั้ง 5 อื่น ๆ แข่งขันอัลกอริทึม subspace

ผลลัพธ์ (ไทย) 2:

ใกล้ชิดจำแนกฉาย (UDP) และรักษาถิ่นที่ประมาณการ (LPP) ได้รับการใช้กันอย่างแพร่หลายในการเผชิญกับการใช้งานที่ได้รับการยอมรับเป็นเครื่องมือในการเก็บข้อมูลต่ำจำแนกมิติ แต่เมื่อวิธีการเหล่านี้ถูกนำมาใช้ในบริบทของการจดจำใบหน้าที่พวกเขามักจะพบขนาดเล็กขนาดตัวอย่างปัญหา เพื่อที่จะเอาชนะปัญหานี้การวิเคราะห์องค์ประกอบหลักที่แยกต่างหาก (PCA) ขั้นตอนที่ถูกนำมาใช้มักจะเพื่อลดมิติของข้อมูล แต่ขั้นตอนดังกล่าวอาจทิ้งมิติที่มีข้อมูลจำแนกสิ่งสำคัญที่สามารถช่วยประสิทธิภาพการจัดหมวดหมู่ ในงานนี้เรานำเสนอความคิดใหม่ที่เราตั้งชื่อหลายระดับ Fukunaga ทซ์จำแนกวิเคราะห์ (FKDA) โดยผสมผสานFukunaga ทซ์แปลงที่อยู่ในการเพิ่มประสิทธิภาพในการเพิ่มระดับการแยกเกณฑ์LDA, UDP และ LPP ในทางตรงกันข้ามกับแบบดั้งเดิม LDA, UDP และ LPP วิธีการของเราสามารถทำงานร่วมกับข้อมูลมิติที่สูงมากเป็น input โดยไม่ต้องมีขั้นตอนการลดมิติแยกต่างหากเพื่อให้กระจายเต็มรูปแบบเมทริกซ์ยศ นอกจากนี้การกำหนด FKDA พยายามทิศทางการฉายที่ดีที่สุดเวกเตอร์ที่มีฉากซึ่งวิธีการที่มีอยู่ไม่สามารถรับประกันได้และมีความสามารถในการหาโซลูชั่นที่แน่นอนกับ"อัตราส่วนร่องรอย" วัตถุประสงค์ให้เกิดปัญหาการวิเคราะห์จำแนกในขณะที่แบบดั้งเดิมวิธีการสามารถจัดการกับผ่อนคลายและมีความไม่แน่นอน "อัตราส่วนร่องรอย" วัตถุประสงค์ เราได้แสดงให้เห็นว่าการใช้หกฐานข้อมูลใบหน้าในบริบทของการจดจำใบหน้าไม่มีข้อ จำกัด ขนาดใหญ่จดจำใบหน้ากับ occlusions ที่และการจดจำใบหน้าคงส่องสว่างภายใต้"ชุดปิด", "ชุดกึ่งเปิด" และ "ชุดเปิด" สถานการณ์การรับรู้ ที่ FKDA เสนอของเรามีประสิทธิภาพดีกว่าอย่างมีนัยสำคัญจำแนกเชิงเส้นแบบดั้งเดิมสเปซวิธีการเรียนรู้เช่นเดียวกับห้าขั้นตอนวิธีการแข่งขันอื่นๆ

ผลลัพธ์ (ไทย) 3:

unsupervised
การจำแนกประมาณการ ( UDP ) และท้องถิ่นการประมาณการ ( การ ) มีการใช้กันอย่างแพร่หลายในการใช้งานระบบจดจำใบหน้า
เป็นเครื่องมือจับภาพที่มีมิติจำแนกข้อมูล อย่างไรก็ตาม เมื่อ
วิธีการเหล่านี้จะใช้ในบริบทของใบหน้า พวกเขามักจะพบขนาดตัวอย่างเล็ก
ปัญหา เพื่อที่จะเอาชนะปัญหานี้การวิเคราะห์องค์ประกอบหลัก ( PCA ) แยกขั้นตอน
มักจะประกาศใช้เพื่อลด dimensionality ของข้อมูล อย่างไรก็ตาม ขั้นตอนดังกล่าวอาจละเลยมิติ
ที่ประกอบด้วยข้อมูลที่สำคัญที่สามารถช่วยงานและการจำแนก ในงานวิจัยนี้ได้เสนอแนวคิดใหม่
เราซึ่งเราตั้งชื่อหลายคลาส ฟุคุนากะ คุสจำแนกการวิเคราะห์ ( fkda
) โดยเรียกนากะคุสเปลี่ยนภายในที่เหมาะสมเพื่อเพิ่มเกณฑ์การแยก
คลาสใน lda UDP , และการ . ในทางตรงกันข้ามกับแบบดั้งเดิม lda UDP , และการ , วิธีการที่เราสามารถทำงานกับ
ข้อมูลมิติสูงมากเข้า โดยแยก dimensionality ลดขั้นตอนให้
กระจายเมทริกซ์เต็มยศ นอกจากนี้การกำหนดทิศทางและ fkda เวกเตอร์ฉาย
ที่ดีที่สุดที่ชั้น ซึ่งมีอยู่วิธีไม่สามารถรับประกันได้ และมันมีความสามารถในการหาโซลูชั่นแน่นอน
" อัตราส่วน " ติดตามวัตถุประสงค์ในการวิเคราะห์ปัญหา ในขณะที่วิธีแบบดั้งเดิม
เท่านั้นที่สามารถจัดการกับผ่อนคลายและไม่ละเอียด " อัตราส่วนที่ติดตาม " วัตถุประสงค์ เราได้ใช้หก
ฐานข้อมูลหน้าในบริบทของขนาดใหญ่ซึ่งไม่มีเงื่อนไขใบหน้าใบหน้ากับ occlusions
, , และไฟส่องสว่าง จดจำใบหน้าไม่เปลี่ยนแปลงภายใต้ " ปิดการตั้งค่า " , " ตั้งค่า " กึ่งเปิดและเปิด " ตั้งค่า "
รับรู้สถานการณ์ที่เราเสนอ fkda อย่างมีนัยสำคัญมีประสิทธิภาพดีกว่าแบบเชิงเส้นจำแนก
ได้วิธีการเรียนรู้รวมทั้งห้าคู่แข่งอื่น ๆวิธีการ