基于保持近邻判别嵌入的人脸识别

保持近邻嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构的属性.虽然NPE已在一些领域得到应用,但解决识别任务还有局限性.为改进NPE的识别性能,提出了一种保持近邻判别嵌入(NPDE)人脸识别方法.在NPDE算法中,有效结合了LDA和NPE的思想,具有很强的判别力,还能根据先验类标签信息保持局部邻域的固有几何关系.在ORL人脸库以及Yale人脸数据库上的实验结果表明提出的方法是有效的.

核判别随机近邻嵌入分析方法

为了有效地解决非线性特征提取中存在的鉴别效率和样本外问题,最大限度地保持观测信息,并进一步提高相关方法的降维性能,将核学习的方法应用到判别随机近邻嵌入分析方法中,提出一种核判别随机近邻嵌入分析方法.通过引入核函数,将原空间中的样本映射到高维核空间中,构建了用于反映同类和异类数据间相似度的联合概率表达式;在此基础上,引入线性投影矩阵生成对应子空间数据;最后在类内Kullback-Leiber(KL)散度最小和类间KL散度最大的准则下建立目标泛函.该方法突出了异类样本间的特征差异,使样本变得线性可分,从而提高了分类性能.在COIL-20图像库和ORL,Yale经典人脸库上进行实验,验证了文中方法的分类鉴别能力.

基于随机近邻嵌入的判别性特征学习

特征学习是机器学习中的一项重要技术,研究从原始数据中学习后置任务所需的数据表示.目前,多数特征学习算法侧重于学习原始数据中的拓扑结构,忽略了数据中的判别信息.基于此,提出了基于随机近邻嵌入的判别性特征学习模型.该模型将对判别信息的学习与对拓扑结构的学习融合在一起,通过迭代求解的方式,同时完成对这两者的学习,从而得到原始数据具有判别性的特征表示,可以显著提升机器学习算法的性能.多个公开数据集上的实验结果验证了该模型的有效性.

一种半监督稀疏保持近邻判别嵌入算法

保持近邻嵌入(NPE)算法对局部线性嵌入(LLE)算法进行了改进,克服了新来样本问题,但在处理分类问题上表现不足。基于此提出一种半监督稀疏保持近邻判别嵌入算法,该方法首先采用小波变换对数据进行预处理,然后执行等距离映射(Isomap)算法选择合适的低维嵌入维数,最后结合稀疏表示理论、NPE和线性判别分析(LDA)的思想,重构邻域图,并在建立目标函数时使得已标签信息中同类样本点之间相互靠近,异类样本点之间相互远离,未标签信息邻域信息得以保持。这样,既得到了高维映射函数,又提高了分类正确率。通过在人脸数据库上实验,并与其他半监督算法作比较,该算法在识别率上表现较好。

局部平衡的判别近邻嵌入算法

判别近邻嵌入算法(discriminant neighborhood embedding,DNE)通过构造邻接图,使得在投影子空间中能够保持原始数据的局部结构,能有效地发现最佳判别方向。但是它有两方面的不足:一方面不能标识样本点的近邻样本点位置信息,从而不能更好地保持邻域结构;另一方面当数据不均衡时,不能实现子空间中类内聚合或者类间分离的目的,这不利于分类。为此提出了一种新的有监督子空间学习算法——局部平衡的判别近邻嵌入算法(locality-balanced DNE,LBDNE)。在构建邻接图时,局部平衡的判别近邻嵌入算法分别建立同类邻接图和异类邻接图,并通过引入一个控制参数,有效地平衡了类内与类间的关系。该算法与其他经典算法相比,在人脸识别问题上具有较高的识别率,充分说明了局部平衡的判别近邻嵌入算法能够有效地处理识别问题。

张量图像上的正交张量监督近邻保持嵌入

正交张量近邻保持嵌入是一种有效的张量图像的降维工具,但仍存在监督判别信息不足的问题。为此提出正交张量监督近邻保持嵌入OTSNPE(Orthogonal Tensor Supervised Neighborhood Preserving Embedding)降维算法。该算法首先将二维图像看成二阶张量空间的点;然后在同类样本中选择近邻并进行线性重构;最后通过特征保持提取投影方向。投影后的特征既能有效地保持张量图像像点之间的空间关系,又能较好地保持蕴含在张量图像之间的类内局部重构关系和近邻关系。在AR和YaleB人脸数据集上的实验验证了该算法的有效性。

邻域嵌入的张量学习

传统的机器学习算法把数据表示成向量的形式进行处理,而现实世界许多应用中的数据都是以张量形式存在的,如图像、视频数据等,如果将这些本质上非向量形式的数据强制转换成向量表示,不仅会产生维数灾难和和小样本问题,而且会破坏数据本身的内部空间排列结构,不利于发现数据的好的低维表示。判别邻域嵌入(discriminant neighborhood embedding,DNE)是比较流行的面向向量的判别分析方法,在改进DNE算法的基础上,提出了面向张量数据的局部一致保持的邻域嵌入张量判别学习(neighborhood-embedded tensor learning,NTL)算法。NTL算法不仅克服了DNE面向向量的缺点,而且弥补了DNE方法偏重数据的邻域点而忽略数据的非邻域点影响的不足,通过精心设计目标函数(嵌入3个图:同类结点的邻接图、不同类结点的邻接图、其他结点的关联图),使投影空间的同类结点更加紧凑,不同类结点更加疏远,从而增强了算法的判别能力。3个公开数据库(ORL、PIE和COIL20)上的实验验证了NTL拥有更高的识别率,同时也拥有更高的算法效率。

基于判别信息的近邻保持嵌入降维方法

针对传统近邻保持嵌入算法(NPE)侧重保持样本的局部结构,而没有考虑样本类别信息的不足,提出判别局部近邻保持嵌入算法DLNPE.该算法利用样本点的局部结构构造新定义下的类内类间散布矩阵,并以此作为判别信息引入目标函数.在6个真实数据上进行实验,证明了所提算法的有效性.

基于判别邻域嵌入的人脸识别

提出了一种人脸识别子空间方法:判别邻域嵌入(DNE)。在框架中,训练样本数据的邻域和类关系被用来构建低维嵌入流形。在嵌入低维子空间后,同类样本保持它们固有的邻域关系,相反不同类近邻样本彼此远离。在ORL和Yale人脸数据库上,对提出的方法和主成分分析(PCA)、线性判别分析(LDA)、保持邻域嵌入(NPE)和保持局部投影(LPP)方法进行了比较,结果表明,提出的方法是有效的。