Face Recognition Using Unlabeled Data
Face Recognition Using Unlabeled Data
复制标题
DOI：
10.13053/cys-7-2-1056
复制
发表时间：
2003-12
期刊：
影响因子：
--
通讯作者：
Carmen Martínez;O. Fuentes
中科院分区：
文献类型：
--
作者：
Carmen Martínez;O. Fuentes
正常情况下，我们将获得与伟大的对手相结合的结果。如果禁运，则不能与大范围内的任何人联系，因此不能令人满意。工作人员提出了一种方法，以获取良好的结果，并与个人的个人形象相结合（包括个人形象）。方法是扩展原始的使用方法，使其不符合预先的礼仪（esto es，imagenes de rostros con identidad desconocida）。首先，应用特征技术来减少属性空间的维度，目的是实现迭代过程、分类中所有数据的礼仪，并构建与实际和组合相关的部分在中音组、合奏组中进行分类校正的方法。实现实验使用了一些算法，包括人工神经元、线性局部回归和线性回归算法。我们的实验结果是我们使用了一些没有最佳分类的礼仪。对于 92.07 的正确分类，主要结果是使用 30 个特征值和 3 个特征进行线性回归，并进行迭代。比较，使用单一的数据礼仪，单独分类纠正 34.81% de los ejemplos
Los sistemas de reconocimiento de rostros normalmente obtienen buenos resultados cuando tienen disponibles conjuntos de entrenamiento grandes. Sin embargo, cuando no hay un conjunto de entrenamiento grande disponible, su desempeno no es satisfactorio. En este trabajo presentamos un metodo para reconocimiento de rostros que obtiene buenos resultados cuando solo se tiene disponible un conjunto de entrenamiento pequeno (incluso una sola imagen por persona). El metodo se basa en expandir el conjunto de entrenamiento original usando datos no etiquetados previamente (esto es, imagenes de rostros con identidad desconocida). Inicialmente, aplicamos la tecnica de eigenrostros para reducir la dimensionalidad del espacio de atributos, despues realizamos un proceso iterativo, clasificando todos los datos no etiquetados con un ensamble de clasificadores construido a partir del conjunto de entrenamiento actual y agregando al conjunto de entrenamiento los ejemplos que han sido clasificados correctamente con un alto nivel de confianza, de acuerdo al ensamble. Realizamos experimentos usando ensambles basados en el algoritmo de k vecinos mas cercanos, redes neuronales artificiales, y regresion lineal localmente ponderada. Los resultados experimentales demuestran que el uso de datos no etiquetados mejora la clasificacion en todos los casos. Los mejores resultados, con un porcentaje de clasificacion correcta de 92.07, fueron obtenidos con regresion lineal localmente ponderada usando 30 eigenrostros y agregando 3 ejemplos de cada clase en cada iteracion. Como comparacion, usando unicamente los datos etiquetados, solo se clasificaron correctamente el 34.81% de los ejemplos