该论文提出了一种新的人脸识别方法——线性回归分类（LRC），将模式识别问题转化为线性回归问题。利用线性子空间的概念，通过最小二乘法解决反问题，选择重构误差最小的类作为决策。LRC算法在多个标准数据库上进行了广泛评估，与最新算法对比显示其有效性。此外，针对连续遮挡问题，还提出了一种模块化的LRC方法，结合新的基于距离的证据融合（DEF）算法，取得了最佳结果。
机器学习论文报告一
题目：Linear Regression for Face Recognition
中文题目：人脸识别的线性回归
作者： Imran Naseem,
Roberto Togneri, Senior Member, IEEE,and
Mohammed Bennamoun
摘要翻译：
在本文中，我们提出了一种新的人脸识别方法，将模式识别问题表述为线性回归。利用单个对象类的模式位于线性子空间的基本概念，我们开发了一个线性模型，将探测图像表示为特定于类的库的线性组合。反问题采用最小二乘法求解，决策有利于重建误差最小的类。所提出的线性回归分类（LRC）算法属于最近子空间分类。该算法在多个标准数据库上根据人脸识别文献中报告的一些示例性评估协议进行了广泛评估。与最新算法的对比研究清楚地反映了所提出方法的有效性。对于连续遮挡问题，我们提出了一种模块化的LRC方法，引入了一种新的基于距离的证据融合（DEF）算法。提出的方法实现了最好的结果有史以来的挑战性问题围巾闭塞报告
扫一扫
2627
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
