“数据融合”总结2

最新推荐文章于 2024-07-02 15:17:55 发布

Manfestain

最新推荐文章于 2024-07-02 15:17:55 发布

阅读量2k

点赞数

本文链接：https://blog.csdn.net/Beans___Lee/article/details/89346351

版权

本文综述了多种特征融合方法在人脸识别、遥感图像分类、语音识别和多生物特征识别中的应用。重点介绍了基于协方差矩阵正则化的特征融合在解决DR-Cat和Cat-DR问题上的优势，以及通过残差网络结构提升特征融合效果。同时，还探讨了基于归一化割集的特征重组、方向空间判别特征融合、深度特征融合网络以及多高斯模型超向量在各自领域的贡献。

摘要由CSDN通过智能技术生成

Feature fusion with covariance matrix regularization in face recognition

Ze Lu (Signal Processing)

特征融合方法一般有两步：A、对每一个特征集合进行降维；B、拼接所有的特征集合。当以AB的顺序进行特征融合时，称作DR-Cat；当以BA的顺序进行特征融合时称作Cat-DR。但是，DR-Cat忽略了不同特征之间的相关信息，另一方面，在Cat-DR中，从训练数据中估计出的相关信息可能不可靠，特别是在训练样本数量有限的情况下。
本文提出了一种协方差矩阵正则化（Convariance matrix regularization，CMR）方法解决DR-Cat和Cat-DR出现的问题。它通过在训练数据的协方差矩阵中为交叉特征协方差分配权重。因此，从训练数据中估计出的特征相关性在被用于训练特征融合模型之前是正则化的。
论文融合了四种特征：三通道的像素值特征、三通道的LBP特征、单通道的像素值和LBP特征和CNN特征。
作者首先提出了一个基于残差的网络结构，名字叫ResNetShort，将VGG-Face网络和ResNetShort网络提取的特征通过特征融方法有效的融合起来。下面是ResNetShort网络：