融入Universum学习的度量学习算法

度量学习通过更真实的刻画样本之间的距离,来提高分类和聚类的精度。GMML（Geometric Mean Metric Learning）在学习度量矩阵[A]时,使得在该度量下同类点之间的距离尽可能小,不同类点之间的距离尽可能大。GMML用来学习的训练样本均为目标类数据,而对于现实存在的为数众多的同领域非目标类数据,即Universum数据并未加以利用,不免造成信息的浪费,针对此,提出一种新的度量学习算法--融入Universum学习的GMML（U-GMML）。U-GMML期望得到一个新的度量矩阵[A],使得同类点之间的距离尽可能小,不同类点之间的距离尽可能大,且Universum数据与目标类数据的距离尽可能大,从而使得所学习的度量矩阵[A]更有利于分类。真实数据集上的实验结果验证了该算法的有效性。     

基于典型相关分析的多视图降维算法综述

随着数据采集技术的发展,人们获取数据的途径呈多样化,所得到的数据往往具有多个视图,从而形成多视图数据。利用多视图数据不同的信息特征,设计相应的多视图学习策略以提高分类器的性能是多视图学习的研究目标。为更好地利用多视图数据,促进降维算法在实际中的应用,对多视图降维算法进行研究。分析多视图数据和多视图学习,在典型相关分析(CCA)的基础上追溯多视图CCA和核CCA,介绍多视图降维算法从两个视图到多个视图以及从线性到非线性的演化过程,总结各种融入判别信息和近邻信息的多视图降维算法,以更好地学习多视图降维算法。在此基础上,对比分析多视图降维算法的特点及存在的问题,并对未来的研究方向进行展望。     

基于一致判别相关分析的低分辨率人脸识别算法

相比于高分辨率（High resolution， HR）人脸图像，低分辨率（Low resolution， LR）人脸图像的识别效果较差。针对此问题，已有研究者提出基于典型相关分析和核典型相关分析的LR人脸识别算法，但其并未考虑样本的类信息和视图间的一致性。本文同时利用数据的类信息和视图间的一致性信息，提出一致判别相关分析（Consistent discriminant correlation analysis， CDCA），进而得到基于CDCA的LR人脸识别算法。该算法先利用主成分分析从HR和LR人脸图像中提取主成分特征，然后利用CDCA学习HR和LR人脸的特征投影矩阵，进而实现LR人脸识别。实验结果表明，相比现有的LR人脸识别算法，该算法具有较好的识别效果和鲁棒性。