数据集

4.2 MNIST-Back-Rand Dataset

MNIST-Back-Rand数据集包含0-9十个数字的50000张图片，它首先从MNIST数据集中挑选出来，然后在原始图像中加入随机噪声，转换成更复杂的图像。为了减少内存消耗，每个数字我们随机挑选10张图片，组成包含100个样本的子集。可以看出我们方法的优越性是很明显的。这个实验表明，当数据被非高斯噪声或复杂噪声污染时，我们提出的方法在Mog帮助下，对子空间聚类更加适用。

同时，我们也进行实验，观察高斯模型的个数K对我们提出的模型的聚类准确率的影响。我们可以看到，当高斯个数增加，准确率先是上升，然后开始波动，当K=5时，达到最大值。这是因为当高斯数目太少时，Mog可能无法准确地描述噪声，另一方面，当K过大时，计算成本会增加且分组效果会被抑制（）。在这两种情况下，噪声的分布都没有模拟得很好。

 

4.3 AR数据集

AR数据集包含超过4000张人脸图像，对应126张人脸（70个男人和56个女人）。对于每个人脸，26张人脸图像分为两部分拍摄，这些图像有不同的面部变化，包括不同的面部表情（中性的，微笑的，生气的和尖叫的），光照变化（左侧灯亮，右侧灯亮，双侧灯同时亮），被太阳镜或围巾遮挡。

我们分别从这个数据集选取5个和10个例子进行子空间聚类。我们可以看到，Mog回归在两个聚类任务中都比其他方法效果要好。这是因为Mog回归在这个复杂数据集上有很强的分组效果。我们可以从图1中看出。

 

4.4 extended Yale face 数据集B

这个数据集包含38类共2414张正面人脸图像，其中每一类有64个人脸，在各种照明，姿势以及光照条件下获得。为减少计算成本和存储器要求，我们将灰度图像调整为32×32像素的分辨率。

为了评估不同方法的鲁棒性，我们在受噪声污染的Extended Yale Face Dataset B上进行实验，其中每个图片都由在区间0到255区间均匀分布的样本随机代替图像像素点，被污染像素的百分比从10%到100%。

从图5我们可以看出，当人脸图像被污染的百分比在10%到40%时，我们的方法优越性很明显，在噪声处理方面展示了很好的适用性和更好的鲁棒性。当污染的像素百分比高于60%，判别信息严重受损，所有方法的有效性都降低。

转载于:https://www.cnblogs.com/yujing611033/p/6108367.html