面向低分辨率与有限数据场景的实时监控：一种图像集分类方法
计算机视觉与模式识别
2019-03-05 v2
摘要
本文提出了一种基于线性回归概念的新型图像集分类技术。与大多数其他方法不同，所提出的技术不涉及任何训练或特征提取。库图像集被表示为高维空间中的子空间。使用特定类别的库子空间为测试图像集的每张图像估计回归模型。然后将测试集的图像投影到库子空间上。使用原始测试图像与投影测试图像之间的欧氏距离计算残差，作为距离度量。设计了三种不同的策略来决定测试图像集的最终类别。我们在低分辨率、噪声和较少库数据的挑战下，针对监控、基于视频的人脸识别和物体识别任务，对所提出的技术进行了广泛评估。实验表明，与现有技术相比，所提出的技术实现了更好的分类精度和更快的执行时间，特别是在低分辨率以及少量库和测试数据的挑战条件下。
引用
@article{arxiv.1803.09470,
title = {Real Time Surveillance for Low Resolution and Limited-Data Scenarios: An Image Set Classification Approach},
author = {Uzair Nadeem and Syed Afaq Ali Shah and Mohammed Bennamoun and Roberto Togneri and Ferdous Sohel},
journal= {arXiv preprint arXiv:1803.09470},
year = {2019}
}