本次学习的是来自cvpr2015的《Person Re-identification by Local Maximal Occurrence Representation and Metric Learning》。
项目主页:http://www.cbsr.ia.ac.cn/users/scliao/projects/lomo_xqda/
XQDA度量方法
QDA分类器也是假设每一类观测都服从一个高斯分布,把参数估计带入贝叶斯定理进行预测;
不同的是:每一类观测的协方差可以不同。
根据贝叶斯理论:
主要思想是将一副人脸看做两部分构成,一部分是人与人之间的差异,另一部分是个体自身的差异,比如表情变动。
然后我们假设这两部分分别服从高斯分布。人脸识别之联合贝叶斯注意到分布是零均值,所以在你所获得的人脸特征,一定要做零均值处理。
交叉视角的二次判别分析法 (XQDA)是在保持直接简单原则的度量 (KISSME)和贝叶斯人脸方法基础上提出的。该方法用高斯模型分别拟合类内和类间样本特征的差值分布。根据两个高斯分布的对数似然比推导出马氏距离。
上述两式取根号相除,得到对数似然比为:
则两个样本之间的距离为:
定义子空间w,则投影到子空间后的样本距离变为:
因此为了将样本分开,类间方差小,类外方差大,因此得到下面的优化公式:
等价于:
和LDA方法中的广义特征值分解相似,解为:
实际计算
代码
function [W, M, inCov, exCov] = XQDA(galX, probX, galLabels, probLabels, options)<