基於自調進度稀疏表示的人臉識別算法研究

基於自調進度稀疏表示的人臉識別算法研究

《基於自調進度稀疏表示的人臉識別算法研究》是依託南京航空航天大學,由朱旗擔任項目負責人的青年科學基金項目。

基本介紹

  • 中文名:基於自調進度稀疏表示的人臉識別算法研究
  • 項目類別:青年科學基金項目
  • 項目負責人:朱旗
  • 依託單位:南京航空航天大學
項目摘要,結題摘要,

項目摘要

近年來,稀疏表示是人臉識別領域中的一個研究熱點。相比傳統的稀疏表示模型,基於Lp範數(0)

結題摘要

稀疏表示是機器學習和人工智慧領域的研究熱點,被廣泛套用於人臉識別等問題中。需要指出的是稀疏表示模型的魯棒性和分類性能有待提升。本項目設計一系列基於自步學習、稀疏表示的分類方法,將其套用於人臉識別等圖像識別問題中。自定步調學習能夠模擬人類學習過程中由易到難學習的特性,使算法的魯棒性得到提升。傳統的自定步調學習只對樣本進行自適應加權學習,我們對自定步調學習進行了擴展,將其推廣到了對特徵進行自適應加權學習。結合稀疏表示的分類機制,我們設計出了基於自定步調學習的稀疏表示分類方法,在多種生物特徵識別數據集上的結果表明了我們方法的有效性。我們還對稀疏表示分類方法進行了改進,設計了多線性表示分類方法、結合虛擬樣本的線性表示分類方法等,相關實驗表明我們的方法能夠提升圖像識別的精度。傳統的稀疏表示分類方法主要針對單模態數據學習問題而設計,對於多模態數據學習的性能難以滿足要求。我們將基於自定步調學習的稀疏表示套用於多模態數據識別問題,在目標函式中對多個模態的模型參數進行結構約束,通過自定步調學習避免模型陷入局部極小解,實驗表明我們的方法在多模態問題上能夠獲得更高的分類準確率。我們還將稀疏表示方法套用於解決醫學影像識別問題,主要包括通過稀疏表示方法進行腦區間的構圖,然後建立基於有效距離的腦網路,將多個腦區間的關聯信息融入到腦網路中,進而進行對個體的識別,實驗表明該方法比傳統的腦網路方法有更好的分類性能。採用非負稀疏表示方法對腦網路中的關鍵連線進行提取,實驗表明該方法比提取拓撲屬性等方法有更高的分類精度。

相關詞條

熱門詞條

聯絡我們