这篇文章发表在ICCV 2011上,主要是讨论压缩感知如何提高了人脸识别的效率,并提出了进一步提高性能的方法。
SRC(Sparse representation based classification)首先用所有训练样本的线性组合表示一个测试样本,然后估计哪一类可以最小化representation error,就确定了测试样本属于哪一类。很多相关工作都强调了sparse representation在人脸识别的作用,但是文章研究发现,是Collaboration representation而不是l1-norm Sparsity使得SRC在人脸识别方面更有效。
文章认为SRC算法中,有两点很关键:第一,测试样本的编码矢量必须是稀疏的;第二,测试样本由整个样本数据库协作编码表达,而不是由每个类别的子集表达。假如测试样本属于样本数据库中的某一类,那么应该可以有这个类别的样本集稀疏表示,也就是用最少的样本来表达,所以测试样本的编码矢量必须是稀疏的。但是这是建立在每个类别的样本集都是完备的,这个基础上的,实际上这样的前提很难做到。用某一类别的样本集来表达测试样本的误差会很大,即便是测试样本恰好属于这个类别。所以SRC采用整个样本数据库来协作表达测试样本,当采用Collaboration representation判断测试样本是否属于某一类别时,既要判断测试样本与这一类别的差别是否小,还要判断与其他类别的差别是否大,这样的"doubl