Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Non-parametric e-mixture of Density Functions Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Weighted Discriminant Analysis and Kernel Ridge Regression Metric Learning for Face Verification

verfasst von : Siew-Chin Chong, Andrew Beng Jin Teoh, Thian-Song Ong

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A new formulation of metric learning is introduced by assimilating the kernel ridge regression (KRR) and weighted side-information linear discriminant analysis (WSILD) to enjoy the best of both worlds for unconstrained face verification task. To be specific, we formulate a doublet constrained metric learning problem by means of a second degree polynomial kernel function. The said metric learning problem can be solved analytically for Mahalanobis distance metric due to simplistic nature of KRR in which we named KRRML. In addition, the WSILD further enhances the learned Mahalanobis distance metric by leveraging the within-class and between-class scatter matrix of doublets. We evaluate the proposed method with Labeled Faces in the Wild database, a large benchmark dataset targeted for unconstrained face verification. The promising result attests the robustness and feasibility of the proposed method.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Neural Network Model for Retaining Object Information Required in a Categorization Task
Nächstes Kapitel An Incremental One Class Learning Framework for Large Scale Data
Literatur
1.
Ying, Y., Li, P.: Distance metric learning with eigenvalue optimization. J. Mach. Learn. Res. 13, 1–26 (2012)MathSciNetMATH
2.
Huang, C., Zhu, S., Yu, K.: Large scale strongly supervised ensemble metric learning with applications to face verification and retrieval. NEC TR115 (2011)
3.
Weinberger, K.Q., Blitzer, J., Saul, L.K.: Distance metric learning for large margin nearest neighbor classification. In: NIPS, pp. 1473–1480 (2005)
4.
Balcan, M.F., Blum, A., Srebro, N.: A theory of learning with similarity functions. Mach. Learn. 72, 89–112 (2008)CrossRef
5.
Kedem, D., Tyree, S., Weinberger, K., Sha, F., Lanckriet, G.: Non-linear metric learning. In: Advances in Neural Information Processing Systems, pp. 2582–2590 (2012)
6.
Cao, Z., Yin, Q., Tang, X., Sun, J.: Face recognition with learning-based descriptor. In: Computer Vision and Pattern Recognition (CVPR) (2010)
7.
Lei, Z., Pietikainen, M., Li, S.Z.: Learning discriminant face descriptor. IEEE Trans. Pattern Anal. Mach. Intell. (PAMI) 36(2), 289–302 (2013)
8.
9.
Kan, M., Shan, S., Xu, D., Chen, X.: Side-information based linear discriminant analysis for face recognition. In: British Machine Vision Conference (2011)
10.
Hastie, T., Tibshirani, R., Friedman, J.H.: The Elements of Statistical Learning. Springer, Heidelberg (2001)CrossRefMATH
11.
Huang, G.B., Ramesh, M., Berg, T., Learned-Miller, E.: Labeledfaces in the wild: a database for studying face recognition in unconstrained environments. University of Massachusetts, Amherst, Technical report 7–49 (2007)
12.
Cristianini, N., Shawe-Taylor, J.: An Introduction to Support Vector Machines. Cambridge University Press, Cambridge (2000)MATH
13.
Kumar, M.P., Torr, P.H.S., Zisserman, A.: An invariant large margin nearest neighbor classifier. In: ICCV, pp. 1–8 (2007)
14.
Davis, J., Kulis, B., Jain, P., Sra, S., Dhilon, I.: Information-theoretic metric learning. In: ICML (2007)
15.
Saenko, K., Kulis, B., Fritz, M., Darrell, T.: Adapting visual category models to new domains. In: Daniilidis, K., Maragos, P., Paragios, N. (eds.) ECCV 2010, Part IV. LNCS, vol. 6314, pp. 213–226. Springer, Heidelberg (2010)CrossRef
16.
Guillaumin, M., Verbeek, J., Schmid, C.: Is that you? Metric learning approaches for face identification. In: ICCV (2009)
17.
Nguyen, H.V., Bai, L.: Cosine similarity metric learning for face verification. In: Kimmel, R., Klette, R., Sugimoto, A. (eds.) ACCV 2010, Part II. LNCS, vol. 6493, pp. 709–720. Springer, Heidelberg (2011)CrossRef
18.
Cui, Z., Li, W., Xu, D., Shan, S., Chen, X.: Fusing robust face region descriptors via multiple metric learning for face recognition in the wild. In: CVPR (2013)
19.
Etemad, K., Chellappa, R.: Discriminant analysis for recognition of human face images. J. Opt. Soc. Am 14, 1724–1733 (1997)CrossRef
20.
Anila, S., Devarajan, N.: Preprocessing technique for face recognition applications under varying illumination conditions. Glob. J. Comput. Sci. Technol. Graph. Vis. 12(11) (2012)
21.
Barkan, O., Weill, J., Wolf, L., Aronowitz, H.: Fast high dimensional vector multiplication face recognition. In: ICCV, pp. 1960–1967 (2013)
22.
Turk, M.A., Pentland, A.P.: Face recognition using eigenfaces. In: CVPR (1991)
23.
Nowak, E., Jurie, F.: Learning visual similarity measures for comparing never seen objects. In: CVPR (2007)
24.
Sanderson, C., Lovell, B.C.: Multi-region probabilistic histograms for robust and scalable identity inference. In: Tistarelli, M., Nixon, M.S. (eds.) ICB 2009. LNCS, vol. 5558, pp. 199–208. Springer, Heidelberg (2009)CrossRef
25.
Wolf, L., Hassner, T., Taigman, Y.: Descriptor based methods in the wild. In: ECCV (2008)
26.
Arashloo, S.R., Kittler, J.: Efficient processing of MRFs for unconstrained-pose face recognition. In: Biometrics: Theory, Applications and Systems (2013)
27.
Pinto, N., DiCarlo, J.J., Cox, D.D.: How far can you get with a modern face recognition test set using only simple features? In: CVPR (2009)
28.
Li, H., Hua, G., Lin, Z., Brandt, J., Yang, J.: Probabilistic elastic matching for pose variant face verification. In: CVPR (2013)
29.
Li, H., Hua, G.: Hierarchical-PEP model for real-world face recognition. In: CVPR (2015)
30.
Simonyan, K., Parkhi, O.M., Vedaldi, A., Zisserman, A.: Fisher vector faces in the wild. In: BMVC (2013)
31.
Felix, X., Luu, K., Savvides, M.: Spartans: single-sample periocular-based alignment-robust recognition technique applied to non-frontal scenarios. IP 24(12), 4780–4795 (2015)MathSciNet
32.
Arashloo, S.R., Kittler, J.: Class-specific kernel fusion of multiple descriptors for face verification using multiscale binarised statistical image features. IEEE Trans. Inf. Forensics Secur. 9(12), 2100–2109 (2014)CrossRef
33.
Lee, W.H., Lee, R.B.: Implicit authentication for smartphone security. In: Camp, O., Weippl, E., Bidan, C., Aïmeur, E. (eds.) Information Systems Security and Privacy. CCIS, vol. 576, pp. 160–176. Springer, Heidelberg (2015)CrossRef
Metadaten
Titel
Weighted Discriminant Analysis and Kernel Ridge Regression Metric Learning for Face Verification
verfasst von
Siew-Chin Chong
Andrew Beng Jin Teoh
Thian-Song Ong
Copyright-Jahr
2016
Buch
Neural Information Processing

Print ISBN: 978-3-319-46671-2

Electronic ISBN: 978-3-319-46672-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46672-9_45