Abstract—In this paper, we present

Abstract—In this paper, we present a novel approach of face identification by
formulating the pattern recognition problem in terms of linear regression. Using a
fundamental concept that patterns from a single-object class lie on a linear
subspace, we develop a linear model representing a probe image as a linear
combination of class-specific galleries. The inverse problem is solved using the
least-squares method and the decision is ruled in favor of the class with the
minimum reconstruction error. The proposed Linear Regression Classification
(LRC) algorithm falls in the category of nearest subspace classification. The
algorithm is extensively evaluated on several standard databases under a number
of exemplary evaluation protocols reported in the face recognition literature. A
comparative study with state-of-the-art algorithms clearly reflects the efficacy of
the proposed approach. For the problem of contiguous occlusion, we propose a
Modular LRC approach, introducing a novel Distance-based Evidence Fusion
(DEF) algorithm. The proposed methodology achieves the best results ever
reported for the challenging problem of scarf occlusion

Kết quả (Việt) 1:

Trừu tượng — trong bài báo này, chúng tôi trình bày một cách tiếp cận mới của khuôn mặt địnhxây dựng vấn đề công nhận mẫu trong điều khoản của hồi quy tuyến tính. Bằng cách sử dụng mộtkhái niệm cơ bản mô hình từ một lớp đơn-đối tượng nằm trên một tuyến tínhđộng, chúng tôi phát triển một mô hình tuyến tính đại diện cho một hình ảnh thăm dò một tuyến tínhsự kết hợp của phòng trưng bày dành riêng cho lớp. Vào inverse problem được giải quyết bằng cách sử dụng cáctối thiểu phương pháp và quyết định được cai trị trong lợi của các lớp học với cácxây dựng lại tối thiểu lỗi. Đề xuất phân loại hồi quy tuyến tínhThuật toán (bản) rơi vào danh mục của gần nhất động phân loại. Cácthuật toán rộng rãi đánh giá trên một số tiêu chuẩn cơ sở dữ liệu theo một sốgương mẫu đánh giá giao thức báo cáo trong các tài liệu nhận dạng khuôn mặt. ACác nghiên cứu so sánh với các thuật toán nhà nước-of-the-art rõ ràng phản ánh hiệu quả củaCác phương pháp được đề xuất. Cho vấn đề tắc liền kề nhau, chúng tôi đề xuất mộtCách tiếp cận kiểu mô-đun bản, giới thiệu một cuốn tiểu thuyết dựa trên khoảng cách bằng chứng FusionThuật toán (DEF). Các phương pháp được đề xuất đạt được kết quả tốt nhất bao giờbáo cáo cho vấn đề khó khăn của khăn occlusion

Kết quả (Việt) 2:

Tóm tắt-Trong bài báo này, chúng tôi trình bày một phương pháp mới nhận dạng khuôn mặt bằng cách
xây dựng các vấn đề nhận dạng mẫu về hồi quy tuyến tính. Sử dụng một
khái niệm cơ bản là các mô hình từ một đơn lớp đối tượng nằm trên một tuyến tính
không gian con, chúng tôi phát triển một mô hình tuyến tính đại diện cho một hình ảnh như là một đầu dò tuyến tính
kết hợp của phòng trưng bày lớp cụ thể. Các vấn đề nghịch đảo được giải quyết bằng cách sử dụng
phương pháp bình phương nhỏ nhất và quyết định được phán quyết có lợi của các lớp học với các
lỗi tái thiết tối thiểu. Các đề xuất Linear Regression Phân loại
(LRC) thuật toán rơi vào chủ đề về phân loại không gian con gần nhất. Các
thuật toán được đánh giá rộng rãi trên một số cơ sở dữ liệu tiêu chuẩn theo một số
các giao thức thẩm định gương mẫu báo cáo trong các tài liệu nhận dạng khuôn mặt. Một
nghiên cứu so sánh với nhà nước-of-the-nghệ thuật thuật toán rõ ràng phản ánh hiệu quả của
phương pháp đề xuất. Đối với các vấn đề của tắc liên tục, chúng tôi đề xuất một
cách tiếp cận Modular LRC, giới thiệu một cuốn tiểu thuyết cách dựa trên bằng chứng Fusion
(DEF) thuật toán. Các phương pháp đề xuất đạt kết quả tốt nhất bao giờ
được báo cáo cho các vấn đề thách thức của chiếc khăn tắc