《表1 加权子空间与度量学习性能分析Tab.1 The performance analysis of weighted subspace and matrix learning》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度子空间联合稀疏表示单样本人脸识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

本文在深度子空间模型的基础上，加入加权机制，将原有子空间转换到WPCA空间，特征映射矩阵个数L1=8，L2=8，映射核的大小也采用7×7。每层的输入进行块采样处理，块采样的大小为7×7。同时本文在深度子空间特征提取后联合近邻排斥度量学习，提取更有鉴别力的特征。本文在FERET、ORL、Multi_PIE人脸数据库上进行测试。直方图分块中选择像素为0到255间间隔为4，重叠率为0.5的直方图采样，并对得到的直方图特征进行[4 2 1]空间金字塔池化，最后提取的特征为10 752维，经度量学习后降维到400维。实验中采用CRC分类器，实验对比结果由表1给出。