×
金泰坤;比约恩·斯坦格;约瑟夫·基特勒;罗伯托·西波拉

使用充分生成集的增量线性判别分析及其应用。 （英语） Zbl 1235.68272号

国际期刊计算。视觉。 91，第2期，216-232（2011）.
摘要：本文提出了线性判别分析（LDA）的增量学习解决方案及其在目标识别问题中的应用。我们将充分生成集近似应用于三个步骤，即总散布矩阵的更新、类散布矩阵和投影数据矩阵之间的更新，从而得到一个在精度上与批处理解密切一致的在线解，同时大大降低了计算复杂度。即使在类数和集合大小较大的情况下，该算法也能有效地求解增量LDA。增量LDA方法也被证明对半监督在线学习有用。标签传播是通过将增量LDA集成到EM框架中来完成的。该方法已在合并MPEG标准化过程中收集的大型数据集的任务中进行了演示，这些数据集用于人脸图像检索、使用BANCA数据集进行人脸认证以及使用Caltech101数据集进行对象分类。

引用于5文件

MSC公司：

68T45型 机器视觉和场景理解
62H25个 因子分析和主成分；对应分析
68T05型 人工智能中的学习和自适应系统

关键词：

线性鉴别分析;本地设计院;增量学习;在线学习;标签传播;半监督学习;人脸图像检索;物体识别;对象分类;人脸身份验证
PDF格式BibTeX公司 XML格式引用
\textit{T.-K.Kim}等人，《国际计算杂志》。视觉。91，第2号，216--232（2011；Zbl 1235.68272）
全文： 内政部 链接

参考文献：

[1] Bar-Hillel，A.、Hertz，T.、Shental，N.和；Weinshall，D.（2005）。从等价约束中学习马氏度量。《机器学习研究杂志》，61937–965·Zbl 1222.68140号
[2] M.Belkin和；Niyogi，P.（2004）。本地和全球一致性学习。程序中。NIPS·Zbl 1089.68086号
[3] Berg，A.、Berg，T.和；Malik，J.（2005）。使用低失真对应的形状匹配和对象识别。程序中。CVPR。
[4] Bouveyron，C.、Girard，S.和；Schmid，C.（2004）。视觉中物体识别的降维和分类方法。程序中。2004年5月，法国沙特鲁西圣彼得堡，第五届法国-丹麦生物空间统计和图像分析研讨会。
[5] Chan，C.-H.，Kittler，J.和；Messer，K.（2007）。用于人脸识别的多尺度局部二值模式直方图。程序中。国际竞争性招标（第809–818页）。
[6] Cheng，H.、Liu，Z.和；Yang，J.（2009）。稀疏性诱导的标签传播相似性度量。程序中。ICCV。
[7] Chin，T.-J.和；Suter，D.（2006）。增量核PCA用于有效的非线性特征提取。程序中。BMVC的。
[8] De la Torre Frade，F.、Gross，R.、Baker，S.和；Kumar，V.（2005）。用于人脸识别的面向表征的成分分析（ROCA），每个训练类一个样本图像。程序中。CVPR。
[9] Fei-Fei，L.、Fergus，R.和；Perona，P.（2004）。从很少的训练示例中学习生成性视觉模型。程序中。CVPR GMBV研讨会。
[10] Fukunaga，K.（1990年）。统计模式识别导论。波士顿：学术出版社·Zbl 0711.62052号
[11] 格劳曼，K.，&amp；Darrell，T.（2005）。金字塔匹配核：具有图像特征集的鉴别分类。程序中。ICCV·兹比尔1222.68206
[12] Hall，P.、Marshall，D.和；Martin，R.（2000年）。合并和拆分特征空间模型。IEEE模式分析和机器智能汇刊，22（9），1042-1049·doi:10.1109/34.877525
[13] Hiraoka，K.、Hidai，K.，Hamahira，M.、Mizoguchi，H.、Mishima，T.和；Yoshizawa，S.（2000年）。线性判别分析的连续学习：桑格型算法。程序中。ICPR的。
[14] A.D.Holub、M.Welling和；Perona，P.（2005）。利用未标记数据进行混合对象分类。程序中。NIPS班间转移研讨会。
[15] Kamei，T.、Yamada，A.、Kim，T.，Kim，H.、Hwang，W.和；Kee，S.（2002）。使用傅里叶和强度LDA特征的高级人脸描述符。ISO/IEC JTC1/SC29/WG11 M8998，2002年10月。
[16] Kim，H.-C.，Kim，D.和；Bang，S.Y.（2003）。基于LDA混合模型的人脸识别。模式识别字母，24（15），2815–2821·doi:10.1016/S0167-8655（03）00126-0
[17] Kim，T.-K.，Kim，H.，Hwang，W.，&；Kittler，J.（2005）。用于图像检索和MPEG-7标准化的基于组件的LDA人脸描述。图像和视觉计算，23631-642·doi:10.1016/j.imavis.2005.02.005
[18] Kim，T.-K.，Kittler，J.和；Cipolla，R.（2007）。使用典型相关性的图像集类的判别学习和识别。IEEE模式分析和机器智能汇刊，29（6），2007年6月。
[19] Kim，T.-K.，Wong，S.-F.，Stenger，B.，Kittler，J.和；Cipolla，R.（2007）。使用充分生成集近似的增量线性判别分析。程序中。位于明尼苏达州明尼阿波利斯的CVPR。
[20] Leibe，B.和；Schiele，B.（2003）。分析基于外观和轮廓的对象分类方法。程序中。CVPR（第409–415页）。
[21] Lin，R.-S.，Ross，D.，Lim，J.和；Yang，M.-H.（2005）。自适应判别生成模型及其应用。程序中。NIPS。
[22] Manjunath，B.S.，Salembier，P.P.和；Sikora，T.（2002）。MPEG-7简介：多媒体内容描述界面。纽约：威利。
[23] Messer，K.等人（2004年）。面对BANCA数据库上的认证竞争。程序中。ICPR。
[24] Moosmann，F.、Triggs，B.和；Jurie，F.（2007）。使用随机聚类森林的快速区分视觉码本。程序中。NIPS。
[25] 马奇·J·；Lowe，D.（2006）。具有稀疏、局部特征的多类对象识别。程序中。CVPR。
[26] Niebles，J.C.、Wang，H.和；Fei-Fei，L.（2008）。使用时空词汇对人类行为类别进行无监督学习。国际计算机视觉杂志。
[27] Oja，E.（1983年）。模式识别的子空间方法。研究出版社。
[28] Pang，S.、Ozawa，S.和；Kasabov，N.（2005年）。数据流分类的增量线性判别分析。IEEE系统、人与控制论汇刊，905-914。
[29] Poh，N.等人（2009年）。面对视频比赛。程序中。ICPR的。
[30] Skocaj，D.和；Leonardis，A.（2003）。子空间学习的加权稳健增量方法。程序中。ICCV的。
[31] Stenger，B.、Woodley，T.、Kim，T.-K.、Hernandez，C.和；Cipolla，R.（2008）。AIDIA–显示交互的自适应接口。程序中。英国利兹BMVC。
[32] Tao，X.、Ye，J.、Li，Q.、Janardan，R.和；Cherkassky，V.（2004）。通过QR分解进行有效的核鉴别分析。程序中。NIPS。
[33] Uray，M.、Skocaj，D.、Roth，P.、Bischof，H.和；Leonardis，A.（2007）。结合重建和区分方法的增量LDA学习。程序中。BMVC的。
[34] Wang，F.和；Zhang，C.（2007）。通过线性邻域进行标签传播。程序中。ICML的。
[35] Wang，X.，Han，T.X.，&amp；Yan，S.（2009）。具有部分遮挡处理功能的HOG-LBP人体探测器。程序中。京都ICCV。
[36] Winn，J.、Criminisi，A.和；Minka，T.（2005）。通过学习通用视觉词典进行对象分类。程序中。ICCV。
[37] Wu，Y.，&；Huang，S.（2000）。手部姿势的视相关识别。程序中。CVPR（第2088–2094页）。
[38] Yan，J.，Zhang，B.，Yan，S.，Yang，Q.，&；Li，H.（2004）。IMMC：增量最大裕度标准。程序中。知识发现和数据挖掘。
[39] Ye，J.、Li，Q.、Xiong，H.、Park，H.和Janardan，V；Kumar，V.（2005年）。IDR/QR：一种基于QR分解的增量降维算法。IEEE知识与数据工程汇刊，17（9），1208–1222·doi:10.1109/TKDE.2005.148
[40] Yu，H.和；Yang，H.（2001）。一种用于高维数据的直接LDA算法-应用于人脸识别。模式识别，34（10），2067–2070·Zbl 0993.68091号 ·doi:10.1016/S0031-3203（00）00162-X
[41] Zhu，X.（2006）。半监督学习文献调查。威斯康星大学麦迪逊分校计算机科学TR 1530。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。