子空间学习中用于人脸识别的空间正则化：隐式与显式

【文件属性】：
文件名称：子空间学习中用于人脸识别的空间正则化：隐式与显式
文件大小：2.66MB
文件格式：PDF
更新时间：2021-04-26 02:39:49
Face Recognition; Implicit Spatial Regularization 在将传统的统计方法应用于面部识别中，原始面部图像经常被矢量化为矢量。 但是，这样的矢量化不仅导致高维，从而导致样本大小（SSS）问题小，而且失去了图像像素之间的原始空间关系。 已经证明，空间正则化（SR）是补偿这种关系的损失并同时通过显式施加空间约束来减轻SSS问题的有效手段。 但是，SR仍然存在两个主要问题：一个是由于高维而导致的高计算成本，另一个是选择控制空间正则化并因此影响学习性能的关键正则化因子。 因此，在本文中，我们提供了一种新的想法，即隐式空间正则化（ISR），以避免丢失图像像素之间的空间关系并同时处理人脸识别的SSS问题。 与直接引入空间正则项并基于矢量表示的显式空间正则化（ESR）不同，我们通过重塑图像然后执行2D方法来限制每个小图像区域内的空间平滑度。 具体来说，我们遵循与SSSL（典型的ESR方法）相同的假设，即图像像素周围的小图像区域是平滑的，然后将原始图像重塑为新矩阵，其每列对应于矢量化的小图像区域或补丁，然后使用任何现成的2D方法从新形成的矩阵中提取特征，这些方法可以考虑同一行或同一列中像素之间的关系，从而可以大大保留相邻区域内的原始空间关系。 由于ISR不施加约束项，因此与ESR相比，ISR不仅避免了麻烦的正则化参数的选择，而且大大降低了计算成本。 在四个人脸数据库上的实验结果表明，所提出的ISR能够以较低的计算成本使用SSSL达到竞争性能。