×
凯特琳·迪亚兹·奇托;马丁内斯·德尔·林科恩（Jesús Martínez del Rincón）;鲁西尼奥尔，马尔萨勒;埃尔南德斯·萨巴特，奥拉

利用双重广义鉴别公共向量进行特征提取。 （英语） 兹比尔1430.94014

数学杂志。成像视觉。 61，第3号，331-351（2019）.
摘要：本文提出了一种基于对偶在线子空间的学习方法，称为对偶广义鉴别公共向量（dual-GDCV）。该方法同时利用增量学习和减量学习的概念进行监督特征提取和分类，从而扩展了增量GDCV。我们的方法能够更新特征表示空间，而无需重新计算整个投影或访问先前处理的训练数据。它既可以有效地添加信息，也可以从知识库中删除不必要的数据，同时保留以前获得的知识。该方法在六个标准人脸识别和分类数据集上进行了理论证明和实证验证，包括两种场景：（1）删除和添加现有类的样本，以及（2）删除和向分类问题添加新类。结果表明，与批处理方法和其他最先进的自适应方法相比，在不影响模型准确性的情况下，可以获得相当大的计算增益。

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）

关键词：

在线特征提取;广义鉴别公共向量;双重学习;增量学习;减量学习

软件：

CMU派;AR面;费雷特;AlexNet公司;线圈-20;电炉CAS;ImageNet公司
PDF格式BibTeX公司 XML格式引用
\textit{K.Diaz-Chito}等人，《数学杂志》。成像视觉。61，第3号，331--351（2019；Zbl 1430.94014）
全文： 内政部 链接

参考文献：

[1] Chandra，B.，Sharma，R.K.：深度神经网络中的快速学习。神经计算1711205-1215（2016）。https://doi.org/10.1016/j.neucom.2015.07.093 ·doi:10.1016/j.neucom.2015.07.093
[2] Chu，D.，Liao，L.，Ng，M.，Wang，X.：增量线性判别分析：一种快速算法和比较。IEEE传输。神经网络。学习。系统。26(11), 2716-2735 (2015) ·doi:10.1109/TNNLS.2015.2391201
[3] Deng，J.，Dong，W.，Socher，R.，Li，L.-J，Li，K.，Fei Fei，L.：Imagenet：一个大规模的分层图像数据库。摘自：2009年IEEE计算机视觉和模式识别会议。CVPR 2009，第248-255页。IEEE（2009）
[4] Diaz-Chito，K。；费里，福建；迪亚斯·维兰纽瓦（Díaz-Villanueva，W.）。；Vitriá，J.（编辑）；桑切斯，JM（编辑）；Hernández，M.（编辑），使用增量特征分解的基于零空间的图像识别，编号6669131-320（2011），柏林，海德堡·doi:10.1007/978-3642-21257-439
[5] Diaz-Chito，K.，Ferri，F.，Diaz-Villanueva，W.：图像分类的增量广义鉴别公共向量。IEEE传输。神经网络。学习。系统。26(8), 1761-1775 (2015) ·doi:10.1109/TNNLS.2014.2356856
[6] Duan，G.，Chen，Y.：具有精确平均更新的批量增量主成分分析。2011年IEEE第18届图像处理国际会议（ICIP），第1397-1400页（2011）
[7] Ferri，F.，Diaz，K.，Díaz，W.：通过增量区分公共向量对欠采样问题进行有效降维。摘自：第十届IEEE国际数据挖掘研讨会，ICDM研讨会，第1159-1166页（2010）
[8] Ferri，F.，Diaz-Chito，K.，Diaz-Villanueva，W.：使用等级一SVD更新快速近似区分公共向量。神经信息处理。8228, 368-375 (2013)
[9] Gao，W.、Cao，B.、Shan，S.、Chen，X.、Zhou，D.、Zhang，X.和Zhao，D.：CAS-PEAL大型中国人脸数据库和基线评估。IEEE传输。系统。人类网络。A系统。Hum.38（1），149-161（2008）·doi:10.1109/TSMCA.2007.909557
[10] Hall，P.、Marshall，D.、Martin，R.：分类的增量特征分析。摘自：英国机器视觉会议，第286-295页（1998年）
[11] Hall，P.、Marshall，D.、Martin，R.：合并和分裂特征空间模型。IEEE传输。模式分析。机器。智力。22(9), 1042-1049 (2000) ·doi:10.1109/34.877525
[12] Jin，B.，Jing，Z.，Zhao，H.：基于EVD对偶的在线子空间学习。数学。问题。工程429451，21（2014）·Zbl 1407.62217号
[13] Kim，T.，Kenneth，K.，Stenger，B.，Kittler，J.，Cipolla，R.：使用足够的生成集近似进行增量线性判别分析。2007年IEEE计算机视觉和模式识别会议。CVPR’07，第1-8页（2007年）
[14] Kim，T.，Stenger，B.，Kittler，J.，Cipolla，R.：使用足够生成集的增量线性判别分析及其应用。国际期刊计算。视觉。91(2), 216-232 (2011) ·Zbl 1235.68272号 ·doi:10.1007/s11263-010-0381-3
[15] Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：使用深度卷积神经网络进行ImageNet分类。摘自：Bartlett，P.L.，Pereira，F.C.N.，Burges，C.J.C.，Bottou，L.，Weinberger，K.Q.（编辑）《第25届国际神经信息处理系统大会论文集》（NIPS’12），第1卷，第1097-1105页。Curran Associates Inc.，内华达州塔霍湖（2012年）
[16] Li，Y.：关于增量和鲁棒子空间学习。模式识别。37, 1509-1518 (2004) ·Zbl 1070.68591号 ·doi:10.1016/j.patcog.2003.11.010
[17] Liu，L.，Jiang，Y.，Zhou，Z.：最小二乘增量线性判别分析。2009年第九届IEEE数据挖掘国际会议。ICDM’09，第298-306页（2009年）
[18] Lu，G.，Zou，J.，Wang，Y.：人脸识别的增量完整LDA。模式识别。45(7), 2510-2521 (2012) ·Zbl 1236.68217号 ·doi:10.1016/j.patcog.2012.01.018
[19] Lu，G.，Zou，J.，Wang，Y.：用于特征提取的判别公共向量的增量学习。申请。数学。计算。218(22), 11269-11278 (2012) ·Zbl 1277.68237号
[20] Martinez，A.，Benavente，R.：AR人脸数据库。技术报告24，计算机视觉中心CVC（1998）
[21] Nene，S.、Nayar，S.和Murase，H.：哥伦比亚对象图像库（线圈-20）。技术报告（1996）
[22] Ozawa，S.、Pang，S.和Kasabov，N.：在线模式分类系统的块数据增量学习。IEEE传输。神经网络。19(6), 1061-1074 (2008) ·doi:10.1109/TNN.2007.200059
[23] Pang，S.，Ban，T.，Kadobayashi，Y.，Kasabov，N.K.：LDA合并和拆分，以及多智能体合作学习和系统改造的应用。IEEE传输。系统。人类网络。B（Cybern.）42（2），552-564（2012）·doi:10.1109/TSMCB.2011.2169056
[24] Pang，S.、Ozawa，S.和Kasabov，N.：数据流分类的增量线性判别分析。IEEE传输。系统。人类网络。B 35（5），905-914（2005）·doi:10.1109/TSMCB.2005.847744
[25] Peng，Y.，Pang，S.，Chen，G.，Sarrafzadeh，A.，Ban，T.，Inoue，D.：Chunk增量IDR/QR LDA学习。摘自：2013年国际神经网络联合会议（IJCNN），第1-8页（2013）
[26] Phillips，J.、Wechsler，H.、Huang，J.和Rauss，P.：人脸识别算法的FERET数据库和评估程序。图像可视性。计算。16(5), 295-306 (1998) ·doi:10.1016/S0262-8856（97）00070-X
[27] Ren，C.，Dai，D.：人脸识别双向主成分的增量学习。模式识别。43(1), 318-330 (2010) ·Zbl 1187.68493号 ·doi:10.1016/j.patcog.2009.05.020
[28] Ross，D.，Lim，J.，Lin，R.，Yang，M.：用于鲁棒视觉跟踪的增量学习。国际期刊计算。视觉。77(1-3), 125-141 (2008) ·doi:10.1007/s11263-007-0075-7
[29] Sim，T.、Baker，S.、Bsat，M.：CMU姿势、照明和表情（PIE）数据库。收录：第五届自动人脸和手势识别国际会议记录（2002年）
[30] Uray，M.，Skocaj，D.，Roth，P.M.，Bischof，H.，Leonardis，A.：通过结合重建和辨别方法的增量LDA学习。摘自：《英国机器视觉会议记录》，第44.1-44.10页（2007年）
[31] Zeng，X.，Li，G.：具有精确平均值更新的无协方差增量主成分分析。J.计算。信息系统。5（16），181-192（2013）
[32] Zhao，H.，Yuen，P.：人脸识别的增量线性判别分析。IEEE传输。系统。人类网络。B 38（1），210-221（2008）·doi:10.1109/TSMCB.2007.908870
[33] Zhao，H.，Yuen，P.，Kwok，J.T.：一种新的增量主成分分析及其在人脸识别中的应用。IEEE传输。系统。人类网络。B第36873-886页（2006年）·doi:10.1109/TSMCB.2006.870645
[34] Zheng，W.，Tang，X.：更新双空间LDA判别向量的快速算法。IEEE传输。Inf.法医安全。4(3), 418-427 (2009) ·doi:10.1109/TIFS.2009.2025844
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。