magic_andy的专栏

主要思想：视角转换模型VTM基础上，考虑了如果缺少部分训练样本（比如视角1中存在的个体样本，在视角2中缺少了），提出了视角特征恢复模型VFRM，然后使用已有的VTM去识别多视角步态。    VFRM使用了同一视角下的K近邻样本来恢复，这个K近邻指的是测地距离（使用Dijkstra方法计算距离）1.Introduction仍然是worapan提到的3种分类方法实现多视角步态识别。

题目：Manifold-Manifold Distance with Application to Face Recognition based on Image Set作者：Ruiping Wang 1, 2, 3 , Shiguang Shan 1, 2 , Xilin Chen 1, 2 , Wen Gao 4, 主要思想：利用流形集合 与 流形集合的距离计算方法，识别人脸数据集。

http://www.pamitc.org/cvpr15/program.php

题目：Self-Calibrating View-Invariant Gait Biometrics作者：Michela Goffredo, Member, IEEE, Imed Bouchrika, Member, IEEE, John N. Carter, Member, IEEE, and Mark S. Nixon, Associate Member, IEEE期刊：IEEE TR

该文发表在ICSP2014 Proceedings 作者及单位：Jieru Jia1,2, Qiuqi Ruan1,2 1 Institute of Information Science, Beijing Jiaotong University,Beijing 100044, China 2 Beijing Key Laboratory of Advanced Information

该文在2011 Eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD)出现。问：为什么关注这篇文章？答：有个想法，好像理论方面跟Sparse Representation Classifier有关，于是搜索相关文章，SRC最初是09年人脸识别上。再加一个Gait关键词，就找到该文章。

原文地址：http://www.cnblogs.com/tornadomeet Deep Learning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deep learning教程，用的theano库，主要是

FRiV Face Recognition in Video识别的流程在第四部分4.输入视频 输出neuron4.1 从视频中记录脸任务1：追踪人脸区域任务2：过滤错误脸任务3：剪切人脸区域，重置大小任务4：人脸提取二值接受向量R（形成特征向量）         a)灰度化b)居中c)减去平均值任务5：标记人脸所属类别任务6：更新突触

原创地址：http://blog.youkuaiyun.com/carson2005/article/details/6292748模式识别，计算机视觉领域，期刊 (1)pattern recognition letters, 从投稿到发表，一年半时间(2)Pattern recognition 不好中，时间长(3)IEICE Transactions on Infor

本文摘自：http://www.face-rec.org/一、基于图像的算法1,） PCA2 ) ICA3) LDA4) EP:Evolutionary Pursuit5）EBGM :Elastic Bunch Graph Matching6) Kernel Methods7)Trace Transform8)AAM:Active Appearance Mode

原文地址：基于弹性束图匹配的人脸识别(自己做的ppt)作者：雪后DE阳光主要内容1、EBGM的提出2、弹性图匹配3、弹性束图匹配4、相似度量及搜索策略5、算法的效率及改进 EBGM的提出什么是EBGM:EBGM(Elastic Bunch Graph Matching)弹性图束匹配。       1997年，wiskott

主要内容：（1） 建立了自己的步态数据库。（自由方向行走）ADSC-AWD,使用kinect 代替普通的摄像机（2）提出SRML方法，基于度量学习的稀疏重构算法。最小化类内重构误差，最大化类间重构误差。（3）实验比较，而且还使用了USF与CASIA数据库比较，验证了方法的好（4）还做了性别识别，并实验。下面就其重点SRML方法，以及实验效果做介绍一、所提方法SRML

反馈算法是如何工作的？（主要章节）1.矩阵（或向量）表示2.代价函数的两个假设：（1）代价函数可写成所有单个训练样本x产生代价的平均；（2）可写成神经网络的输出函数3.阿达码乘积Hadamard product: 向量对应元素相乘4.反馈算法的四个基本等式：5. 问题：Alternate presentation of the equations of backprop