PLDA源代码分析(1)-PLDA_Train

最新推荐文章于 2019-06-04 21:08:45 发布

CCRush

最新推荐文章于 2019-06-04 21:08:45 发布

阅读量2.6k

点赞数

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/ccrush/article/details/14054893

版权

本文深入分析了ICCV2007论文《Probabilistic Linear Discriminant Analysis for Inferences About Identity》中提到的PLDA训练代码。通过讲解PLDA的基本问题、输入参数、EM算法迭代过程以及`getExpectedValuesPLDA`函数的主要思想，阐述了PLDA模型在矩阵运算基础上的实现细节，旨在帮助读者理解这一识别技术。

摘要由CSDN通过智能技术生成

说明：此处的LDA对应于Linear Discriminant Analysis，PLDA即对应于Probabilistic LDA. 该代码对应的文章为ICCV2007 paper Probabilistic Linear Discriminant Analysis for Inferences About Identity，源代码可以从 Prince Vision Lab处下载。虽然源码虽然不长结构比较清楚，但是运用到了一定的矩阵知识，所以对源码分析稍作分析。

1、PLDA 训练(Training)源码分析

2、PLDA识别(Recognition)源码分析

3、PLDA相关应用

基本问题

PLDA的基本模型如下：

$Pr(x_{i,j}|h_{i},w_{i,j},\theta )=G_{x}(\mu +Fh_{i}+Gw_{i,j},\Sigma )$

$Pr(h_{i})=G_{h}(0,I)$

$Pr(w_{i,j})=G_{h}(0,I)$

Learning LIV Models给出数据集 $x_{i,j}$ ，利用EM算法求得参数 $\theta=\{\mu,F,G,\Sigma \}$ ：

E-Step:计算两个期望：

$E[y_{i}]=(A^{T}\Sigma^{'-1}A+I)^{-1}A^{T}\Sigma^{'-1}(x_{i}-\mu^{'})$

$E[y_{i}y_{i}^{T}]=(A^{T}\Sigma^{'-1}A+I)^{-1}+E[y_{i}]E[y_{i}]^{T}$

其中：

$A=\begin{bmatrix} F & G & 0 & \cdots & 0\\ F & 0 & G & \cdots & 0\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ F & 0 & 0 & \cdots & G\\ \end{bmatrix}$

$\Sigma=\begin{bmatrix} \Sigma & \cdots & 0\\ \vdots & \ddots & \vdots\\ 0 & \cdots & \Sigma\\ \end{bmatrix}$

M-Step:计算更新三个参数：

最低0.47元/天解锁文章

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
PLDA源代码分析(1)-PLDA_Train

说明：此处的LDA对应于Linear Discriminant Analysis，PLDA即对应于Probabilistic LDA. 该代码对应的文章为ICCV2007 paper Probabilistic Linear Discriminant Analysis for Inferences About Identity，源代码可以从 Prince Vision Lab处下载。虽然源
复制链接

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。