×
李永民

关于增量和鲁棒子空间学习。 （英语） Zbl 1070.68591号

模式识别 37，第7期，1509-1518（2004）.
主成分分析（PCA）在计算机视觉和模式识别中一直备受关注。特别是，逐步学习PCA模型是一个有吸引力的研究课题，它对大规模问题具有计算效率，并且能够反映动态系统的可变状态，具有自适应背景建模和主动对象识别等众多应用。此外，在最小均方误差最小化的意义上，传统PCA容易受到外围测量的影响。为了解决这两个重要问题，我们提出了一种新的增量PCA算法，并将其扩展到鲁棒PCA。与以往对鲁棒PCA的研究相比，我们的算法计算效率更高。我们用动态背景建模和多视角人脸建模的实验结果证明了这些算法的性能。

引用于19文件

MSC公司：

68分10秒 模式识别、语音识别
68单位10 图像处理的计算方法
68T45型 机器视觉和场景理解
68T05型 人工智能中的学习和自适应系统

关键词：

主成分分析;增量PCA;稳健PCA;背景建模;多视图人脸建模
PDF格式BibTeX公司 XML格式引用
\textit{Y.Li}，模式识别37，No.7，1509--1518（2004；Zbl 1070.68591）
全文： 内政部

参考文献：

[1] Golub，G。；Loan，C.V.，《矩阵计算》（1989），约翰霍普金斯大学出版社：约翰霍普金大学出版社巴尔的摩·Zbl 0733.65016号
[2] 特克，M。；Pentland，A.，识别特征脸，J.认知神经科学。，3, 1, 71-86 (1991)
[3] Murase，H。；Nayar，S.K.，使用参数特征空间进行物体识别的照明规划，IEEE Trans。模式分析。机器。智力。，16, 12, 1219-1227 (1994)
[4] 莫加达姆，B。；Pentland，A.，对象表示的概率视觉学习，IEEE Trans。模式分析。机器。智力。，19, 7, 137-143 (1997)
[5] 吉尔·P。；Golub，G。；默里，W。；桑德斯，M.，《修改矩阵分解的方法》，数学。计算。，28, 26, 505-535 (1974) ·Zbl 0289.65021号
[6] 邦奇，J。；尼尔森，C.，更新奇异值分解，数值。数学。，31, 2, 131-152 (1978)
[7] M.Gu，S.C.Eisenstat，一种快速稳定的奇异值分解更新算法，技术报告YALEU/DCS/RR-966，耶鲁大学计算机科学系，1994年。；M.Gu，S.C.Eisenstat，更新奇异值分解的快速稳定算法，技术报告YALEU/DCS/RR-966，耶鲁大学计算机科学系，1994年。
[8] Chandrasekaran，S。；曼朱纳特，B。；Wang，Y。；温克勒，J。；张浩，图像分析的特征空间更新算法，图形模型图像处理。，59, 5, 321-332 (1997)
[9] P.M.Hall，A.D.Marshall，R.R.Martin，分类的增量特征分析，收录于：P.H.Lewis，M.S.Nixon（编辑），英国机器视觉会议，英国南安普敦，1998年，第286-295页。；P.M.Hall，A.D.Marshall，R.R.Martin，分类的增量特征分析，收录于：P.H.Lewis，M.S.Nixon（编辑），英国机器视觉会议，英国南安普敦，1998年，第286-295页。
[10] 霍尔，P.M。；马歇尔，A.D。；Martin，R.R.，合并和分裂特征空间模型，IEEE Trans。模式分析。机器。智力。，22, 9, 1042-1049 (2000)
[11] Liu Xiaoming，Chen Tsuhan，使用时间统计建模进行镜头边界检测，收录于：IEEE声学、语音和信号处理国际会议，美国佛罗里达州奥兰多，2002年5月。；Liu Xiaoming，Chen Tsuhan，使用时间统计建模进行镜头边界检测，收录于：IEEE声学、语音和信号处理国际会议，美国佛罗里达州奥兰多，2002年5月。
[12] A.Franco，A.Lumini，D.Maio，用于模型更新的特征空间合并，in：模式识别国际会议，加拿大魁北克，第2卷，2002年8月，第156-159页。；A.Franco，A.Lumini，D.Maio，用于模型更新的特征空间合并，见：加拿大魁北克国际模式识别会议，第2卷，2002年8月，第156-159页。
[13] 徐磊；Yuille，A.，基于统计物理方法的自组织规则稳健主成分分析，IEEE Trans。神经网络，6，1，131-143（1995）
[14] Gabriel，K。；Odoroff，C.，矩阵的抵抗低秩近似，（Gentle，J.，第15届界面研讨会论文集（1983），阿姆斯特丹：荷兰阿姆斯特丹），307-308
[15] F.De la Torre，M.Black，《计算机视觉的稳健主成分分析》。摘自：IEEE计算机视觉国际会议，第1卷，加拿大温哥华，2001年，第362-369页。；F.De la Torre，M.Black，《计算机视觉的稳健主成分分析》。摘自：IEEE计算机视觉国际会议，第1卷，加拿大温哥华，2001年，第362-369页。
[16] M.Brand，含缺失值的不确定数据的增量奇异值分解，载于：欧洲计算机视觉会议，丹麦哥本哈根，2002年5月。；M.Brand，含缺失值的不确定数据的增量奇异值分解，载于：欧洲计算机视觉会议，丹麦哥本哈根，2002年5月·兹比尔1034.68580
[17] D.Skocaj，A.Leonardis，特征空间稳健学习的增量方法，见：奥地利模式识别协会研讨会，2002年9月，第111-118页。；D.Skocaj，A.Leonardis，特征空间稳健学习的增量方法，见：奥地利模式识别协会研讨会，2002年9月，第111-118页。
[18] J.Huber，Peter，《稳健统计》（1981），Wiley:Wiley New York·Zbl 0536.62025号
[19] 汉佩尔，F.R。；Ronchetti，E.M。；Rousseeuw，P.J。；Stahel，W.A.，《稳健统计》（1986），威利出版社：威利纽约·Zbl 0593.62027号
[20] 张正友，参数估计技术应用于圆锥拟合教程，图像视觉计算。，15, 1, 59-76 (1967)
[21] Oliver，N。；罗萨里奥，B。；Pentland，A.，用于建模人类交互的贝叶斯计算机视觉系统，IEEE Trans。模式分析。机器。智力。，22, 8, 831-841 (2000)
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。