用于人脸识别的类内低秩子空间学习

摘要

线性回归作为简单有效的工具,在模式识别中已得到广泛使用。但是直接从高维数据到二元标签可能无法得到灵活的投影和适合分类问题的数据表示。针对这一问题,标签松弛技术被提出,虽然已经证明其有效性,但仍然存在增大同类差异的问题。因此,提出类内低秩的子空间学习(ICLRSL),不同于原始线性回归和基于标签松弛的方法,在使用原始二元标签的同时采用两个投影矩阵分别完成类内低秩子空间投影和标签空间投影。ICLRSL将类内低秩子空间作为高维数据空间到标签空间之间的桥梁,得到对数据的初步编码,通过类内低秩约束使其与最终的回归目标拥有类似的类内相关性。同时,行稀疏约束保证子空间投影关注与类内低秩最相关的少数特征,在一定程度上降低冗余信息带来的负面影响。通过中间子空间的连接,一方面比直接学习单个投影矩阵具备更多灵活性,另一方面也能得到判别的数据表示。在四个公开人脸数据集上的实验验证了ICLRSL算法的有效性。