论文笔记（3）：Blessing of Dimensionality: High-dimensionality Feature and Its Efficient Compression

论文：Blessing of Dimensionality: High-dimensionality Feature and Its Efficient Compression for Face Verification

本文提出了高维度的特征有利于性能提升的观点。利用增加人脸特征点提取的数量，和采样多尺度图像金字塔，来对传统人脸特征（LBP, Gabor, HOG, SIFT）实现高维度版本。实验证明对传统特征增加维度之后，人脸验证的性能得到有效提高。本文还同时提出了一种对高维度进行压缩的方法，使特征保持紧凑而包含图像的重要信息。

论文地址：
HD-LBP

参考博客：
子空间模式识别
HD-LBP 学习笔记
史上最好的LDA（ 线性判别分析）教程
线性判别分析LDA
LBP（局部二值模式）特征提取原理

主要内容

1 High-dimensional Feature is Neccesary

1.1. Constructing high-dimensional feature

(1) Dense Landmarks.
   用人脸对齐技术对人脸图像提取出27个特征点，分别位于眼、眉、鼻、嘴等位置。这对于后续特征的提取起关键作用。
(2) Multi-Scale.
   对标准化（基于五个基本特征点的相似性转换）后的图像建立图像金字塔，本文建立五层，即五个尺度。每一层的每一个特征点裁剪出固定长度的图像patch。每一个patch划分成4x4 cells，每一个cell由某种类型的局部描述子表示（例如：LBP, Gabor, SIFT, HOG）

   下图是以上两个步骤的示图：

3.2. High-dimensional Feature is Necessary
   本文将提出的高维特征构建应用在了五种不同的局部描述符，来进行评估，分别是LBP, Gabor, SIFT, HOG, LE。维度从1K增加到了100K。结果如下：

2. Rotated Sparse Regression based Efficient Compression

   虽然高维特征能提高性能，但也带来了高成本的问题。本文提出了一个学习稀疏线性映射的方法，将高维特征映射到一个具有判别性的子空间中，减少计算和存储成本。

Step-1 : 采用PCA来压缩原始的高维特征，然后用监督式子空间学习方法比如线性判别分析LDA或Joint-Bayes（本文选用）来提取出具有判别性的信息࿰