主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
万建武,杨明,吉根林,陈银娟.一种面向人脸识别的加权代价敏感局部保持投影.软件学报,2013,24(5):1155-1164
一种面向人脸识别的加权代价敏感局部保持投影
Weighted Cost Sensitive Locality Preserving Projection for Face Recognition
投稿时间:2011-12-18  修订日期:2012-05-18
DOI:10.3724/SP.J.1001.2013.04263
中文关键词:  局部保持降维  人脸识别  代价敏感学习  类不平衡  多类
英文关键词:locality preserving projection  face recognition  cost sensitive learning  class imbalance  multiclass
基金项目:国家自然科学基金(60873176, 61272222, 61003116); 江苏省自然科学基金(BK2011782, BK2011005); 江苏省创新基金(CXZZ12_0386)
作者单位E-mail
万建武 南京师范大学 数学科学学院, 江苏 南京 210023
南京师范大学 计算机科学与技术学院, 江苏 南京 210023 
 
杨明 南京师范大学 数学科学学院, 江苏 南京 210023
南京师范大学 计算机科学与技术学院, 江苏 南京 210023 
myang@njnu.edu.cn 
吉根林 南京师范大学 计算机科学与技术学院, 江苏 南京 210023  
陈银娟 南京师范大学 计算机科学与技术学院, 江苏 南京 210023  
摘要点击次数: 2516
全文下载次数: 3192
中文摘要:
      传统的局部保持降维方法追求最低的识别错误率,即假设每一类的错分代价都是相同的.这个假设在真实的人脸识别应用中往往是不成立的.人脸识别是一个多类的代价敏感和类不平衡问题.例如,在人脸识别的门禁系统中,将入侵者错分成合法者的损失往往高于将合法者错分成入侵者的损失.因此,每一类的错分代价是不同的.另外,如果任一类合法者的样本数少于入侵者的样本数,该类合法者和入侵者就是类别不平衡的.为此,将错分代价融入到局部保持的降维模型中,提出了一种错分代价最小化的局部保持降维方法.同时,采用加权策略平衡了各类样本对投影方向的贡献.在人脸数据集AR,PIE,Extended Yale B 上的实验结果表明了该算法的有效性.
英文摘要:
      Conventional locality preserving projection aims to minimize recognition error rate, implicitly assuming the losses of different misclassifications are the same. However, this may not hold in many real world face recognition applications. Face recognition is a multiclass cost sensitive and class imbalance task. For example, it will be troublesome if a gallery person is misclassified as an impostor, but it will be much more costly if an impostor is misclassified as a gallery person. Consequently, different kinds of mistakes will lead to different losses. Moreover, the examples of gallery person from any class are fewer than examples of the impostor, which is referred to as class imbalance. For that, this paper integrates the misclassification costs into an objective function of the locality preserving projection and proposes a cost sensitive locality preserving projection that minimizes the misclassification costs. Simultaneously, a weight strategy is used to balance the contribution of each class to the projection. Experimental results on AR, PIE, Extended Yale B datasets demonstrate the superiority of the proposed method.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利