21、低秩异常检测与在线度量学习：图像分类与场景识别新方法

低秩异常检测与在线度量学习：图像分类与场景识别新方法

在计算机视觉领域，图像分类和场景识别是至关重要的问题。传统的视觉识别系统大多采用离线批量训练模式，但在实际应用中，数据往往是逐步到来的，且特征会随时间变化。因此，开发能够适应新数据的在线模型显得尤为重要。本文将介绍两种相关的技术：低秩异常检测和低秩在线度量学习，并对它们的原理、实验结果进行详细探讨。

低秩异常检测

• 实验设置

  • 数据集 ：使用了三个面部图像数据库，分别是 ORL、PolyU NIR 和 PIE。图像大小固定为 32×32，且仅使用原始像素值作为输入特征，预处理时仅进行直方图均衡化。
  • 对比算法 ：将提出的方法与三种代表性算法进行比较，分别是原始的一类支持向量机（One-class SVM）、复制器神经网络（RNNs）和流形聚类（Manifold clustering）。
  • 评估指标 ：使用两个指标来评估所有比较方法的性能，分别是真阳性率（TPR）和假阳性率（FPR）。
    • 真阳性率（TPR）计算公式为：$TPR = \frac{TP}{TP + FN}$，其中 TP 表示真阳性，FN 表示假阴性。
    • 假阳性率（FPR）计算公式为：$FPR = \frac{FP}{FP + TN}$，其中 TN 表示真阴性，FP 表示假阳性。