提出一种在受限局部模型(constrained local models,CLMs)框架下基于判别回归的人脸表示方法,其对于非标记的人脸图像表述效果显著。该方法与树状模型相比,用很少参数表示响应图,高效地对未知的响应图进行重构,通过对其中回归方法进行优...提出一种在受限局部模型(constrained local models,CLMs)框架下基于判别回归的人脸表示方法,其对于非标记的人脸图像表述效果显著。该方法与树状模型相比,用很少参数表示响应图,高效地对未知的响应图进行重构,通过对其中回归方法进行优化,实现鲁棒的形状参数更新,提高运算速度。在Multi-PIE数据库上的实验结果表明,该算法的计算效率优于其它主流算法,具有实时处理的能力。展开更多
文摘有序离散类标号通常由原始连续标号按一定规则映射得到,因此它们彼此间是存在关联信息的,现有有序回归方法对此类关联信息的考虑仍然较少。首先提出一类有序标号间关联度的量化表示,进而将其与典型有序回归方法(Kernel discriminant learning for ordinal regression,KDLOR)相结合,设计出了一种结合类标号关联度的有序核判别回归学习方法(Kernel discriminant learning for ordinal regression using label membership,LM-KDLOR),最后通过在多个标准有序回归数据集上的对比实验验证了所提方法的有效性。
文摘提出一种在受限局部模型(constrained local models,CLMs)框架下基于判别回归的人脸表示方法,其对于非标记的人脸图像表述效果显著。该方法与树状模型相比,用很少参数表示响应图,高效地对未知的响应图进行重构,通过对其中回归方法进行优化,实现鲁棒的形状参数更新,提高运算速度。在Multi-PIE数据库上的实验结果表明,该算法的计算效率优于其它主流算法,具有实时处理的能力。
