導讀：ECAI 2016是歐洲展示AI科學成果的最佳場所，大會爲研究人員提供了很好的機會，去介紹和聽取當代最優秀的人工智能研究成果。
人臉識別的隨機典型相關判別分析（Randomized Canonical Correlation Discriminant Analysis for Face Recognition）
摘要：典型相關分析（CCA）作爲多元統計分析中的一大重要技術，已廣泛應用於臉部識別。但是現存基於CCA的臉部識別方法需要相同臉部臉樣本的兩種表達，而且在處理大樣本時，通常會受到較高的計算複雜度困擾。在本文中，我們提出了一種監督的方法，稱爲隨機典型相關判別分析（RCCDA），它基於隨機非線性典型相關分析（RCCA）以彌補基於CCA臉部識別方法的不足。我們首先獲得基本向量大概的隨機特徵，而不是計算核心矩陣來提高計算的效率，然後，我們使用這些基礎向量來計算隨機最優判別特徵，它可以減少人臉特徵的維數，同時儘可能多的保留歧視性信息。擴展Yale B，AR，ORL和FERET臉部數據庫的實驗結果顯示，我們方法的性能與一些最好的算相比法也毫不遜色。
第一作者簡介
Bo Ma
任職：中國計算機學會會員，IEEE會員，北京理工大學計算機學院副教授，博士生導師
研究方向:機器學習、圖像處理、計算機視覺、模式識別、信息融合。近期的研究重點包括圖像目標跟蹤、壓縮感知、圖像分類、基於變分法的圖像處理等。
相關學術論文：
·「Linearization to Nonlinear Learning for Visual Tracking」（ICCV2015）
·「Discriminative Visual Tracking Using Tensor Pooling」（2015）
文章總結及應用場景
本文中，提出了一種有效的人臉識別方法-RCCDA。我們的方法提取局部特徵，然後採用RCCDA減少維度並將局部特徵映射到一個最佳的判別空間。該方法的主要優點是RCCDA保留儘可能多的歧視性信息，而且通過隨機方法大大加快計算速度。擴展Yale B，AR，ORL和FERET臉部數據庫的實驗結果顯示，我們方法的性能與一些最好的算相比法也毫不遜色。
提出的RCCDA作爲一種有效的特徵提取方法，也可以用於其他識別任務，如視覺跟蹤，圖像檢索與圖像分類。對於這些任務，特徵提取過程都可以用我們的方法取代。只需要少量的訓練樣本，就可以有效地獲得必要的區分信息。我們未來的工作將專注於應用所提出的方法到其它的識別問題中，並優化局部特徵組合，核心函數和其RCCDA編碼方法。
via：ECAI 2016
PS : 本文由雷鋒網(公衆號：雷鋒網)獨家編譯，未經許可拒絕轉載！
