• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of visual communication & image representation >Extended linear regression for undersampled face recognition
【24h】

Extended linear regression for undersampled face recognition

机译：扩展线性回归用于欠采样的人脸识别

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

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.
机译：线性回归分类法（LRC）是一种新出现的模式识别方法，它根据特定于类别的线性回归来阐述识别问题，每个类别具有足够的训练样本。在本文中，我们通过类内变异字典和SVD将LRC扩展到欠采样的人脸识别，其中每个类的训练样本很少甚至只有一个训练样本。在欠采样情况下采用类内变体词典来表示训练样本与测试样本之间的可能差异。为解决数据矩阵的低秩问题，设计了三种方法：拟逆，岭正则化和奇异值分解（SVD）。然后，提出了整个算法，称为扩展LRC（ELRC），用于通过类内变体字典和SVD进行人脸识别。在三个著名的人脸数据库上的实验结果表明，与欠采样情况下的许多最新方法相比，所提出的ELRC具有更好的泛化能力并且对分类的鲁棒性更高。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号