 | Niet-lineaire hoofdcomponentanalyseEen eenvoudige en effectieve broncode voor gezichtsherkenning op basis van niet-lineaire PCA. |
| Download nu | |
Niet-lineaire hoofdcomponentanalyse Rangschikking & Samenvatting
Advertentie
Niet-lineaire hoofdcomponentanalyse Tags
Niet-lineaire hoofdcomponentanalyse Beschrijving
Dimensionaliteitsvermindering vergemakkelijkt de patroonclassificatie aanzienlijk. Verschillende technieken, lineair en niet-lineair, zijn op grote schaal voorgesteld en gebruikt voor dimensionaliteitsvermindering in face-herkenningssystemen. Principe Component-analyse (PCA) is gebleken een eenvoudige en efficiënte lineaire methode; Hoewel veel niet-lineaire methoden zoals kernel PCA, onlangs zijn voorgesteld. Niet-lineaire hoofdcomponentanalyse (NLPCA) wordt gewoonlijk gezien als een niet-lineaire generalisatie van standaard hoofdcomponentanalyse (PCA). Het generaliseert de belangrijkste componenten van rechte lijnen naar curves (niet-lineair). Zo is de deelruimte in de oorspronkelijke gegevensruimte die wordt beschreven door alle niet-lineaire componenten ook gebogen. Niet-lineaire PCA kan worden bereikt door een neuraal netwerk te gebruiken met een autoassociatieve architectuur, ook bekend als autocoder, replicatornetwerk, knelpunt- of zandglastype-netwerk. Dergelijk automassociatieve neurale netwerk is een meerlagige perceptron die een identiteitsmapping uitvoert, wat betekent dat de uitvoer van het netwerk nodig is om identiek aan de input te zijn. In het midden van het netwerk is echter een laag die werkt als een knelpunt waarin een vermindering van de dimensie van de gegevens wordt gehandhaafd. Deze bottleneck-laag biedt de gewenste componentwaarden (scores). We hebben een eenvoudig algoritme ontwikkeld dat deze niet-lineaire dimensionaliteitsvermindering voor gezichtsherkenning gebruikt. Deze aanpak vereist niet dat de detectie van elk referentiepunt en het kan worden gebruikt voor real-time toepassingen.
Niet-lineaire hoofdcomponentanalyse Gerelateerde software
