带核变体的非线性降维方法比较研究：可视化、优化与分类
机器学习
2019-10-08 v1 机器学习
应用统计
摘要
由于高维性、协变量间的相关性以及数据中包含的噪声，降维（DR）技术常被应用于机器学习算法中。主成分分析（PCA）、线性判别分析（LDA）及其核变体（KPCA、KLDA）是最受欢迎的降维方法之一。近来，监督核主成分分析（SKPCA）已被证明是另一种成功的替代方法。本文首先对这些流行技术作了简要回顾，随后基于三个模拟数据集进行了性能比较研究，并将这些技术应用于人脸图像分析中的模式识别问题以评估其性能。在 MORPH-II 和 FG-NET 这两个流行的纵向人脸老化数据库上考虑了性别分类问题。使用了多种特征提取方法，包括生物启发特征（BIF）、局部二值模式（LBP）、方向梯度直方图（HOG）和主动表观模型（AAM）。在应用降维方法后，采用线性支持向量机（SVM），在 MORPH-II 上性别分类准确率超过 95%，与基准结果相当。还提出了一种并行计算方法，在 MORPH-II 上实现了更快的处理速度和相似的识别率。我们的计算方法可应用于实际的性别分类系统，并可推广到其他人脸分析任务，如种族分类和年龄预测。
引用
@article{arxiv.1910.02114,
title = {A Comparison Study on Nonlinear Dimension Reduction Methods with Kernel Variations: Visualization, Optimization and Classification},
author = {Katherine C. Kempfert and Yishi Wang and Cuixian Chen and Samuel W. K. Wong},
journal= {arXiv preprint arXiv:1910.02114},
year = {2019}
}