cvpr oral paper overview - jdl联合实验室.ppt

CVPR 2009 Paper Review Deming Zhai Selected Paper list Intensive reading # 0027 Coupled Spectral Regression for Matching Heterogeneous Face Extensive reading # 0233 Efficient Multi-label Classification with Hypergraph Regularization # 0008 Multi-Label Sparse Coding for Automatic Image Annotation Coupled Spectral Regression for Matching Heterogeneous Face Author : Zhen Lei Stan Z. Li 作者信息 Stan Z. Li （第二作者） 主要经历 湖南大学学士 国防科大硕士 英国Surrey大学博士 2000年辞去新加坡南洋立功大学终身教职，加盟微软亚洲研究院。 2004年“百人计划”中科院自动化所 现为生物识别与安全技术研究中心主任 民航安全智能控制与识别联合实验室主任 IEEE fellow PAMI 副主编 研究兴趣 统计模式识别与机器学习理论，以及生物特征识别、智能视频监控，图像处理与计算机视觉，图像与视频理解 论文著作 发表论文200多篇，撰写著作5部。 摘要 人脸识别通常需要处理各种不同光照条件下的人脸图像。基于近红外图像的人脸识别技术有效的解决了光照的变化的难题。然而，这就需要注册的图像也是近红外图像，而在许多应用中需要可见光图像来进行注册。为了利用近红外人脸图像对光照不敏感的特性，同时允许可见光图像注册，这样我们就遇到了一个新的识别问题，不同种类人脸图像的匹配（红外光图像与可见光图像）。 这篇文章中，我们提出了一种子空间学习的框架：Coupled Spectral Regression(CSR)来解决上面的难题。这种方法首先分别对不同类型数据进行建模，然后学习两个判别投影将不同种类的人脸数据投影到一个公共的判别子空间。与其他已有方法相比，该方法计算更加有效， 这得益于谱回归的有效性，及正则项所带来的更好的推广能力。在VIS-NIR人脸数据库的实验结果表明该方法明显好于其他现有的方法。 提纲 Graph View of Subspace Learning Coupled Spectral Regression Experiment results Graph View of Subspace Learning 图模型可以用来刻画数据集合的各种统计及几何特性。 对于mapping 问题目标函数 基于全局线性变换假设 LDA Coupled Spectral Regression Two Steps： get the common discriminant low embedding; learn the relationship between data in observe space and the low embedding. Liner Coupled Spectral Regression The heterogeneous data sets: Their low embedding: Find two projective vectors: Linear assumption: The objective function: Experiment results Database Collected VIS-NIR 5097 images with 2095 VIS and 3002 NIR 202 persons Setting 1 Training set: 1062 VIS and 1487 NIR 202persons Test set: the rest Setting 2 Training set: 1438VIS and 1927 NIR 168persons Test set:657VIS and 1075 NIR 174persons Feature extraction 32χ32 intensity 1000 dimension LBP feature Evaluation Rank-1 recognitin rate Verification rate (VR) when the false accept rate (FAR) is 0.001. Equal error rate (EER) 计算时间比较 结论 这篇文章我们提出了一种有效的子空间学习框架来匹配