کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
532058 869903 2014 12 صفحه PDF 26 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Double linear regressions for single labeled image per person face recognition
ترجمه فارسی عنوان
رگرسیون های خطی دوتایی برای تصویر تک برچسبی از طریق تشخیص چهره ی شخص
کلمات کلیدی
کاهش بعد چندی نیم-نظارتی، انتشار برچسب، نمایش پراکنده، رگرسیون های خطی، تجزیه و تحلیل تشخیصی خطی، تشخیص چهره
فهرست مطالب مقاله
چکیده
واژگان کلیدی
1.مقدمه
2. مرور مختصری بر LDA و RDA
2.1 LDA 
2.2. RDA 
3. انتشار برچسب مبتنی بر فرضیه زیرفضا
شکل 1. فرایند یادگیری ساختار نمایش پراکنده
3.1 بر اساس طبقه بندی بر اساس فرض فرض زیرمجموعه
3.2. یادگیری ساختار نمایش پراکنده
3.3. سازمان دهنده حفظ پراکندگی 
3.4. SDR مبتنی بر رگرسیون های خطی دوگانه
3.5. DLR هسته
شکل 2. (a) دسته بندی روش های کاهش بعد-چندی مربوطه طبق حالت نظارتی و (b) دسته بندی روش های کاش بعد-چندی مربوطه طبق ساختار هندسی در نظر گرفته شده. 
3.6. تجزیه و تحلیل پیچیدگی محاسباتی 
4. مقایسه با روش های مربوطه 
شکل 3. (a) برخی از چهره های اولین فرد در پایگاه داده PIE، (b) چهره های جزئی اولین شخص در پایگاه Extended Yale B و (c) تمامی 14 چهره اولین شخص در پایگاه داده AR. 
5. آزمایش ها 
5.1. تعریف پایگاه داده ها
5.2. مقداردهی تجربی
5.3. نتایج تجربی و مباحث 
5.4. بررسی های بیش تر الگوریتم DLR
6. نتیجه گیری ها و کارهای آینده
ترجمه چکیده
اخیرا ساختار اصلی نمایش پراکنده در داده های بعد بالا توجه قابل ملاحظه ای در تشخیص الگو و دید کامپیوتری به سمت خود جلب کرده است. در این مقاله ما یک روش کاهش بعد-چندی نیمه نظارتی نوین (SDR) به نام رگرسیون های خطی دوتایی (DLR) جهت مدیریت مسئله تصویر تک برچسبی از طریق تشخیص چهره شخص (SLIP) ارائه می دهیم. DLR بطور همزمان به دنبال بهترین زیرفضای متمایز کننده بوده و ساختار نمایش پراکنده را حفظ می کند. بویژه، یک روش انتشار برچسب مبتنی بر فرضیه ریز فضایی (SLAP) که با استفاده از رگرسیون های خطی (LR) بدست آمده است، ابتدا جهت انتشار اطلاعات برچسب به داده های بدون برچسب ارائه شده است. سپس، براساس مجموعه داده برچسب زنی شده انتشار یافته، مولفه سازماندهی نمایش پراکنده بوسیله رگرسیون های خطی (LR) ساخته شده است. در نهایت، DLR هم بازده تمایز و هم ساختار نمایش پراکنده را با استفاده از مولفه سازماندهی نمایش پراکنده ی یاد گرفته شده بعنوان مولفه سازماندهی تجزیه و تحلیل تشخیصی خطی (LDA) در نظر می گیرد. نتایج تجربی انگیزه بخش و گسترده ی مربوط به سه پایگاه داده صورت در دسترس عموم (CMU PIE، Extended Yale B و AR) حاکی از موثر بودن روش پیشنهادی می باشند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی


• DLR seeks the best discriminating subspace and preserves the sparse structure.
• DLR uses label information to learn a more discriminative sparse structure.
• Sparse coefficient vector is quickly computed by class specific linear regression.
• The difficulty of selecting graph construction parameters is avoided in DLR.
• Promising experimental results on three public face datasets are presented.

Recently the underlying sparse representation structure in high dimensional data has received considerable attention in pattern recognition and computer vision. In this paper, we propose a novel semi-supervised dimensionality reduction (SDR) method, named Double Linear Regressions (DLR), to tackle the Single Labeled Image per Person (SLIP) face recognition problem. DLR simultaneously seeks the best discriminating subspace and preserves the sparse representation structure. Specifically, a Subspace Assumption based Label Propagation (SALP) method, which is accomplished using Linear Regressions (LR), is first presented to propagate the label information to the unlabeled data. Then, based on the propagated labeled dataset, a sparse representation regularization term is constructed via Linear Regressions (LR). Finally, DLR takes into account both the discriminating efficiency and the sparse representation structure by using the learned sparse representation regularization term as a regularization term of Linear Discriminant Analysis (LDA). The extensive and encouraging experimental results on three publicly available face databases (CMU PIE, Extended Yale B and AR) demonstrate the effectiveness of the proposed method.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 47, Issue 4, April 2014, Pages 1547–1558
نویسندگان
, , , , ,