首页 理论教育 CDNE仿真实验:高维数据流形学习分析方法

CDNE仿真实验:高维数据流形学习分析方法

时间:2023-11-24 理论教育 版权反馈
【摘要】:表8-10列出的是在CMU PIE人脸数据库分别采用DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE算法进行10次试验所获得的最大平均识别率及相对应的特征维数。表8-10DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE方法在CMU PIE人脸数据分别选取不同训练集时的最大平均识别率和标准差图8-7是针对CDNE算法,在CMU PIE中每类数据分别选取60、70、80、90个训练集时,有局部不相关约束和无局部不相关约束的仿真实验结果。

CDNE仿真实验:高维数据流形学习分析方法

实验中,将分别采用CMU PIE人脸数据,ORL人脸数据和FERET人脸数据作为算法的测试数据。同时,为了验证所提出的方法的有效性,一些常用以及与CDNE方法也开展了仿真实验,包括判别近邻嵌入(Discriminant Neighborhood Embedding,DNE),监督局部判别流形学习(Supervised Locally Discriminant Manifold Learning,SLDML),判别稀疏保持近邻嵌入(Discriminant Sparse Neighborhood Preserving Embedding,DSNPE),不相关判别局部保持投影(Uncorrelated Discriminant Locality Preserving Projection,UDLPP),局部不相关判别投影(Locally Uncorrelated Discriminant Projection,LUDP),这些方法包括CDNE都是监督流形学习方法。但是在这些方法中,DNE、SLDML、DSNPE和LGE/MMC方法都是通过正交或单位化约束来提取判别特征,而不是采用统计约束不相关来提取判别特征。另外,UDLPP方法通过全局不相关约束将高维数据映射到一个低维子空间,并没有考虑到原始样本之间的局部几何结构信息。而LUDP和CDNE就是将高维数据投影到低维子空间并从中提取局部统计不相关的判别特征。

表8-9 CDNE算法提纲

在实验过程中,构建有关近邻图时,所选取的测试人脸数据中每一类的样本数量较少的数据FERET和ORL数据,最近邻点数为每一类训练样本数减去1,对于每类样本比较多的人脸数据CMU PIE,最近邻点数直接固定为一个值。

当应用DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE对以上数据进行维数约减之后,采用最近邻分类器对低维数据进行分类。

8.5.4.1 CMU PIE人脸数据

本实验中,将原始的CMU PIE人脸图像裁剪为尺寸32×32。同样为了测试不同数量的训练样本对最终的特征降维效果的影响,分别从CMU PIE人脸图像中针对每类数据任意选取60幅、70幅、80幅和90幅图像作为训练样本集,剩下的110幅、100幅、90幅和80幅作为测试集。并且对每一种数量的训练集,都是从原始数据中随机选取的,重复实验10次。同时,在构建有关近邻图时,设置近邻点数为20。

表8-10列出的是在CMU PIE人脸数据库分别采用DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE算法进行10次试验所获得的最大平均识别率及相对应的特征维数。同时在表8-10中还列举了采用不同数量训练集时的最大平均识别率和标准差。从表8-10中可以发现,在训练集数目相同时,相对于其他的DNE、SLDML、DSNPE、LGE/MMC、UDLPP和LUDP方法,CDNE方法能获得最佳的识别效果。

表8-10 DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE方法在CMU PIE人脸数据分别选取不同训练集时的最大平均识别率和标准差

图8-7是针对CDNE算法,在CMU PIE中每类数据分别选取60、70、80、90个训练集时,有局部不相关约束和无局部不相关约束的仿真实验结果。从图8-7中可以发现,在采用所提出的局部统计不相关的最大平均识别率是高于不采用局部不相关的最大平均识别率的。

图8-7 有和无局部约束不相关两种情况选用不同训练集CDNE方法在CMU PIE人脸数据的最大平均识别率比较

8.5.4.2 ORL人脸数据(www.xing528.com)

在本次实验中,将ORL人脸数据集中每一幅图像修剪成尺寸为64×64。在实验过程中,为了验证训练集数量对方法的影响,分别从每一类人脸数据中任意选取4幅、5幅、6幅和7幅图像作为训练样本集,而每一类数据剩下的6幅、5幅、4幅和3幅图像作为测试集。指定每类数据的训练集数量后,按照该数量随机从ORL人脸数据中选取该数量的图像进行实验,每次实验重复10次,最后根据10次实验的最大识别率来统计平均最大识别率和相对应的标准差。另外,在构建近邻图时,分别对应不同数量的训练集,依次设置最近邻点数分别为3、4、5和6。

表8-11列举了DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE算法在ORL人脸每类数据分别选取4幅、5幅、6幅和7幅图像作为训练样本集,重复实验10次的最大平均识别率和所对应的标准差。从表8-11中可以验证,无论每类数据选取多少数量的训练集,CDNE方法相对于其他6种方法的统计识别效果都是最好的。

图8-8是CDNE方法应用于ORL数据时,采用局部统计不相干和不采用局部统计不相关的10次实验统计结果,同时图8-8中还列举了ORL人脸每类数据分别选取4幅、5幅、6幅和7幅图像作为训练样本集并重复实验10次的统计结果。图8-8验证了在CDNE方法中,通过添加局部统计不相关约束所获得低维判别数据不仅是不相关的,而且还是更具有判别性的。

表8-11 DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE方法在CMU PIE人脸数据分别选取不同训练集时的最大平均识别率和标准差

图8-8 有和无局部约束不相关两种情况选用不同训练集CDNE方法在ORL人脸数据的最大平均识别率比较

8.5.4.3 FERET人脸数据

在本次实验中,将FERET人脸图像数据库中的每一幅图像都裁剪为80×80的大小。为了验证训练样本集数量对测试结果的影响,分别从FERET每类人脸图像中分别选取3幅、4幅和5幅图像作为训练样本,每类数据剩下的4幅、3幅和2幅图像作为测试样本。因此在建立近邻图时,依据每类数据训练样本数量的不同,分别设置最近邻点数为2、3、4。同时,指定每类数据训练集数量后,每次实验重复10次。

表8-12列举了从FERET人脸数据每类图像分别选取3幅、4幅和5幅图像作为训练样本集,并且每次实验重复10次,DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE方法的最大平均识别率和标准差。从表8-12所列举的数据来看,无论是选定哪种数量的训练集,相对于DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP方法,CDNE方法的最大平均识别率都是最佳的。

表8-12 DNE、SLDML、DSNPE、LGE/MMC、UDLPP、LUDP和CDNE方法在FERET人脸数据分别选取不同训练集时的最大平均识别率和标准差

图8-9显示了CDNE方法应用于FERET人脸数据时,分别采用局部统计不相干约束和不采用局部统计不相关约束,分别从FERET每类人脸数据中分别选取3幅、4幅和5幅图像作为训练样本,每个实验重复10次的最大平均识别率和标准差。从图8-9可以看出,添加了局部统计不相关约束的CDNE方法的效果显然超出了没有局部统计不相关约束的CDNE方法的。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈