×
程东旭;张新曼;徐雪斌

人脸识别中的重加权鲁棒鉴别潜在子空间投影。 （英语） Zbl 07791091号

信息科学。 657，文章ID 119947，20 p.（2024）.
摘要：为了实现人脸识别的特征提取，子空间投影已经被广泛研究。然而，它几乎不利于在子空间投影过程中探索标签信息。特征提取和分类通常分为两个独立的过程。这不能从训练数据中挖掘出鉴别信息，从而降低了提取特征的鉴别能力，降低了人脸识别的准确性。为了解决这一问题，我们提出了一种新的加权鲁棒判别潜在子空间投影（ReRDLSP）方法，该方法将加权潜在低秩表示模型和判别岭回归有机地集成到一个联合框架中。我们采用加权核范数最小化来实现低阶正则化，它提供了自适应的加权值分配，自适应地正则化表示矩阵，从而提高了方法的能力和灵活性。此外，提出了一种基于非负松弛的判别岭回归方法，该方法尽可能地扩大了不同类别人脸样本的边缘，提高了标签信息拟合的自由度。文中还详细讨论了计算复杂性和收敛性分析。通过大量实验证明，与一些最先进的人脸识别方法相比，取得了非常有希望的结果。

MSC公司：

68倍 计算机科学
94-XX年 信息与通信理论、电路

关键词：

子空间投影;人脸识别;特征提取;重加权低阶正则化;松弛岭回归

软件：

混洗网;CMU项目;AR面;LMa拟合
PDF格式BibTeX公司 XML格式引用
\textit{D.Cheng}等人，《信息科学》。657，文章ID 119947，20 p.（2024；Zbl 07791091）
全文： 内政部

参考文献：

[1] Belhumeur，P.N。；赫斯帕尼亚，J.P。；Kriegman，D.，《特征脸vs.Fisherfaces:使用类特定线性投影进行识别》，IEEE Trans。模式分析。机器。整数。，19, 7, 711-720 (1997)
[2] 朱伟，L.u。；Plataniotis，K.N。；Venetsanopoulos，A.N.，使用基于LDA的算法进行人脸识别，IEEE Trans。神经系统。净值。，14, 1, 195-200 (2003)
[3] 维尔加斯，M。；Paredes，R.，《利用切向量提高LDA和SRDA的鲁棒性》，模式识别。莱特。，34, 9, 1094-1100 (2013)
[4] Seghouane，A。；北Shokouhi。；Koch，I.，保留稀疏模式的稀疏主成分分析，IEEE Trans。图像处理。，28, 7, 3274-3285 (2019) ·Zbl 07122903号
[5] 马丁·克莱门特，R。；Zarzoso，V.，《L1-PCA和ICA之间的链接》，IEEE Trans。模式分析。机器。整数。，39, 3, 515-528 (2017)
[6] Wen，J。；X·冯。；崔，J。；费，L。；Yan，K。；陈，Y。；Xu，Y.，稳健稀疏线性判别分析，IEEE Trans。电路系统。视频技术。，29, 2, 390-403 (2019)
[7] 李，C。；Shao，Y。；尹，W。；Liu，M.，《通过交替方向乘数法进行稳健和稀疏线性判别分析》，IEEE Trans。神经网络。学习。系统。，31, 3, 915-926 (2020)
[8] Roweis，S.T。；Saul，L.K.，局部线性嵌入的非线性降维，科学。，290, 5500, 2323-2326 (2000)
[9] 贝尔金，M。；Niyogi，P.，用于降维和数据表示的拉普拉斯特征映射，神经计算。，15, 6, 1373-1396 (2003) ·Zbl 1085.68119号
[10] Tenenbaum，J。；德西尔瓦，V。；Langford，J.，《非线性降维的全球几何框架》，《科学》。，290, 5500, 2319-2323 (2000)
[11] 何，X。；Niyogi，P.，《局部保持投影》，Proc。高级神经信息处理。系统。，153-160 (2003)
[12] 蔡，D。；何，X。；Han，J。；张，H.，用于人脸识别的正交拉普拉斯人脸，IEEE Trans。图像处理。，15, 11, 3608-3614 (2006)
[13] X.He，D.Cai，S.Yan，H.Zhang，邻里保护嵌入。第十届IEEE国际计算机视觉会议（ICCV'05）第1卷。(2005) 1208-1213.
[14] Kokiopoulou，E。；Saad，Y.，《正交邻域保持投影：基于投影的降维技术》，IEEE Trans。模式分析。机器。整数。，29, 12, 2143-2156 (2007)
[15] 赖，Z。；Wong，W。；Xu，Y。；Yang，J.等人。；张，D.，用于降维的近似正交稀疏嵌入，IEEE Trans。神经网络。学习。系统。，27, 4, 723-735 (2016)
[16] 赖特，J。；Yang，A.Y。；Ganesh，A。；Sastry，S。；Ma，Y.，基于稀疏表示的鲁棒人脸识别，IEEE Trans。模式分析。机器。整数。，31, 2, 210-227 (2009)
[17] 张，L。；杨，M。；冯，X，稀疏表示或协作表示：哪种有助于面部识别？，伊尼。Conf.计算机视觉（ICCV），471-478（2011）
[18] 邓，W。；胡，J。；Guo，J.，通过协作表示的人脸识别：其判别性质和叠加表示，IEEE Trans。模式分析。机器。整数。，40, 10, 2513-2521 (2018)
[19] 廖，M。；Gu，X.，基于子空间扩展稀疏表示和判别特征学习的人脸识别方法，神经计算。，373, 35-49 (2020)
[20] 刘，G。；林，Z。；Yan，S。；Sun，J。；Yu，Y。；Ma，Y.，通过低秩表示实现子空间结构的稳健恢复，IEEE Trans。模式分析。机器。整数。，35, 1, 171-184 (2013)
[21] Wong，W.K。；赖，Z。；Wen，J。；X·方。；Lu，Y.，用于鲁棒图像特征提取的低秩嵌入，IEEE Trans。图像处理。，26, 6, 2905-2917 (2017) ·Zbl 1409.94660号
[22] 谢林。；尹，M。；尹，X。；刘，Y。；Yin，G.，用于降维的低秩稀疏保持投影，IEEE Trans。图像处理。，27, 11, 5261-5274 (2018) ·Zbl 1409.94679号
[23] 赖，Z。；陈，Y。；莫·D。；Wen，J。；Kong，H.，用于降维的鲁棒联合稀疏嵌入，神经计算。，314, 30-38 (2018)
[24] 陈，Y。；赖，Z。；Wong，W.K。；沈，L。；胡琼，用于图像识别的低秩线性嵌入，IEEE Trans。多媒体。，20, 12, 3212-3222 (2018)
[25] Yang，S。；张，L。；He，L。；Wen，Y.，基于稀疏低阶分量表示的低质量图像人脸识别，IEEE Trans。Inf.法医安全。，14, 1, 251-261 (2019)
[26] 郑浩。；Lin，D。；Lian，L。；Dong，J。；Zhang，P.，Laplacian-uniform mixture-driven iterative robust coding with applications to face recognition against稠密错误人脸识别，IEEE跨神经网络学习系统。，31, 9, 3620-3633 (2020)
[27] Dong，J。；郑，H。；Lian，L.，稳健人脸识别的低秩拉普拉斯均匀混合模型，（2019 IEEE/CVF计算机视觉和模式识别会议（CVPR）（2019）），11889-11898
[28] 钱，J。；Yang，J.等人。；Xu，Y。；谢军。；赖，Z。；张，B.，基于图像分解的矩阵回归及其在稳健人脸识别中的应用，模式识别。，102，第107204条pp.（2020）
[29] Mokhayeri，F。；Granger，E.，从单个样本进行鲁棒人脸识别的成对稀疏表示模型，Pattern Recognit。，100，第107129条pp.（2020）
[30] 坎德·E。；李，X。；马，Y。；Wright，J.，稳健主成分分析？，美国医学会杂志。，58, 3, 1-37 (2011) ·Zbl 1327.62369号
[31] G.Liu，S.Yan，用于子空间分割和特征提取的潜在低秩表示。2011年国际计算机视觉会议（ICCV）。(2011) 1615-1622.
[32] 陈，S。；丁，C。；Luo，B.，基于线性回归的降维预测，信息科学。，467, 74-86 (2018) ·Zbl 1450.62084号
[33] 方，X。；Teng，S。；赖，Z。；何，Z。；谢S。；Wong，W.，用于图像分类的鲁棒潜在子空间学习，IEEE Trans。神经网络。学习。系统。，29, 6, 2502-2515 (2018)
[34] 方，X。；Xu，Y。；李，X。；Lai，Z。；Wong，W。；Fang，B.，正则化标签松弛线性回归，IEEE Trans。神经网络。学习。系统。，29, 4, 1006-1018 (2018)
[35] 周，P。；张，C。；Lin，Z.，基于双层模型的识别词典学习，IEEE Trans。图像处理。，26, 3, 1173-1187 (2017) ·Zbl 1409.94797号
[36] 项，S。；聂，F。；Meng，G。；潘，C。；Zhang，C.，多类分类和特征选择的判别最小二乘回归，IEEE Trans。神经网络。学习。系统。，23, 11, 1738-1754 (2012)
[37] 杨，C。；Wang，W。；X·冯。；He，R.，多类别分类的群判别最小二乘回归，神经计算。，407, 175-184 (2020)
[38] 杨，Z。；吴，X。；黄，P。；张，F。；Wan，M。；赖，Z.，用于图像分类的正交自动编码器回归，信息科学。，618, 400-416 (2022)
[39] Sang，X。；卢，H。；赵（Q.Zhao）。；张，F。；Lu，J.，基于非凸正则化和潜在模式的稳健回归人脸识别，信息科学。，547, 384-403 (2021)
[40] 刘，Z。；Lu，Y。；赖，Z。；Ou，W。；张凯，稳健稀疏低秩嵌入在图像降维中的应用，应用。软计算。，113，第107907条pp.（2021）
[41] Wan，M。；陈，X。；詹，T。；Yang，G。；Tan，H。；Zheng，H.，用于鲁棒图像特征提取的低秩2D局部鉴别图嵌入，模式识别。，133，第109034条pp.（2023）
[42] 帕萨，M。；Zare，H。；Ghatee，M.，无监督特征选择的低库字典学习，专家系统。申请。，202，第117149条pp.（2022）
[43] Hui，K。；沈，X。；Abhadimohen，S。；Zhan，Y.，通过残差投影进行图像分类的稳健低阶表示，Knowl-基于系统。，241，第108230条，第（2022）页
[44] 黄，P。；杨，Z。；Wang，W。；张凤，基于低秩判别的最小二乘回归图像分类去噪，信息科学。，587, 247-264 (2022)
[45] Sun，P。；Yang，L.，用于分类的低秩监督和半监督多指标学习，Knowl-基于系统。，236，第107787条pp.（2022）
[46] 博伊德，S。；北卡罗来纳州帕里赫。；朱，E。；Peleato，B。；Eckstein，J.，《通过交替方向乘数法进行分布式优化和统计学习》，Found。趋势马赫。学习。，3, 1, 1-126 (2011)
[47] 洪，M。；罗，Z。；Razaviyayn，M.，一类非凸问题的交替方向乘子法的收敛性分析，SIAM J.Optim。，26, 1, 337-364 (2016) ·Zbl 1356.49061号
[48] 沈毅。；温，Z。；Zhang，Y.，基于低阶分解的矩阵分离的增广拉格朗日交替方向法，Optim。方法软件。，29, 2, 239-263 (2014) ·Zbl 1285.90068号
[49] E.Kim，M.Lee，S.Oh，鲁棒子空间学习奇异值的弹性网正则化。IEEE计算机视觉和模式识别会议（CVPR）。(2015) 915-923.
[50] 乔治亚德斯，A。；Belhumeur，P。；Kriegman，D.，《从少到多：可变光照和姿势下人脸识别的照明锥模型》，IEEE Trans。模式分析。机器。整数。，23, 6, 643-660 (2001)
[51] 西姆·T。；贝克，S。；Bsat，M.，《CMU姿势、照明和表情数据库》，IEEE Trans。模式分析。机器。整数。，25, 12, 1615-1618 (2003)
[52] 马丁内斯。；Benavente，R.，AR面部数据库（1998），技术代表：技术代表CVC
[53] 何凯，张旭，任松生，孙俊杰，图像识别的深度残差学习。IEEE计算机视觉和模式识别会议（CVPR）。(2016) 770-778.
[54] X.Zhang，X.Zhou，M.Lin，J.Sun，Shufflenet：一种用于移动设备的非常有效的卷积神经网络。IEEE计算机视觉和模式识别会议（CVPR）。(2018) 6848-6856.
[55] A.Howard、M.Sandler、G.Chu、L.Chen、B.Chen、M.Tan、W.Wang、Y.Zhu、R.Pang、V.Vasudevan、Q.Le、H.Adam，《搜索MobileNetV3》。IEEE/CVF国际计算机视觉会议（ICCV）。(2019) 1314-1324.
[56] M.Tan、Q.Le、Efficientnetv2：更小的模型和更快的训练。国际机器学习会议（ICML）。(2021) 10096-10106.
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。