局部Bagging方法及其在人脸识别中的应用(英文)

Bagging方法无法在稳定的分类器(如最近邻分类器)上构建多样的分量分类器,因此它不适合于稳定的分类器。同时,小样本特性Bagging也很难应用于人脸识别等任务中。本文提出了一种局部Bagging(L-Bagging)方法以同时解决上述两个问题。L-Bagging和Bagging的主要区别是L-Bagging在每个事先划分好的局部区域内进行自助集的采样而不是如Bagging那样在原始的样本集上采样。由于局部区域的维数通常远远小于训练样本数,并且分量分类器又是构建在不同的局部区域上的,因此L-Bagging方法不仅有效地解决了小样本问题,而且产生了更多样的分量分类器。在4个标准的人脸数据库(AR,Yale,ORL和YaleB)上的实验结果表明所提出的L-Bagging方法是有效的,并且对光照、遮挡及轻微的姿态变化是鲁棒的。