《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》
%
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。
图表编号 | XD0014167600 严禁用于非法目的 |
---|---|
绘制时间 | 2018.09.30 |
作者 | 胡正平、何薇、王蒙、孙哲、任大伟 |
绘制单位 | 燕山大学信息科学与工程学院、燕山大学信息科学与工程学院、燕山大学信息科学与工程学院、燕山大学信息科学与工程学院、燕山大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |