1 / 33

CVPR 2009 Paper Review

CVPR 2009 Paper Review. Deming Zhai. Selected Paper list. Intensive reading # 0027 Coupled Spectral Regression for Matching Heterogeneous Face Extensive reading # 0233 Efficient Multi-label Classification with Hypergraph Regularization

yoshi-mcfarland
Download Presentation

CVPR 2009 Paper Review

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. CVPR 2009 Paper Review Deming Zhai

  2. Selected Paper list • Intensive reading • # 0027 Coupled Spectral Regression for Matching Heterogeneous Face • Extensive reading • # 0233 Efficient Multi-label Classification with Hypergraph Regularization • # 0008 Multi-Label Sparse Coding for Automatic Image Annotation

  3. Coupled Spectral Regression for Matching Heterogeneous Face Author : Zhen Lei Stan Z. Li

  4. 作者信息 • Stan Z. Li （第二作者） • 主要经历 • 湖南大学学士 • 国防科大硕士 • 英国Surrey大学博士 • 2000年辞去新加坡南洋立功大学终身教职，加盟微软亚洲研究院。 • 2004年“百人计划”中科院自动化所 • 现为生物识别与安全技术研究中心主任 • 民航安全智能控制与识别联合实验室主任 • IEEE fellow • PAMI 副主编 • 研究兴趣 • 统计模式识别与机器学习理论，以及生物特征识别、智能视频监控，图像处理与计算机视觉，图像与视频理解 • 论文著作 • 发表论文200多篇，撰写著作5部。

  5. 摘要 • 人脸识别通常需要处理各种不同光照条件下的人脸图像。基于近红外图像的人脸识别技术有效的解决了光照的变化的难题。然而，这就需要注册的图像也是近红外图像，而在许多应用中需要可见光图像来进行注册。为了利用近红外人脸图像对光照不敏感的特性，同时允许可见光图像注册，这样我们就遇到了一个新的识别问题，不同种类人脸图像的匹配（红外光图像与可见光图像）。 • 这篇文章中，我们提出了一种子空间学习的框架：Coupled Spectral Regression(CSR)来解决上面的难题。这种方法首先分别对不同类型数据进行建模，然后学习两个判别投影将不同种类的人脸数据投影到一个公共的判别子空间。与其他已有方法相比，该方法计算更加有效， 这得益于谱回归的有效性，及正则项所带来的更好的推广能力。在VIS-NIR人脸数据库的实验结果表明该方法明显好于其他现有的方法。

  6. 提纲 • Graph View of Subspace Learning • Coupled Spectral Regression • Experiment results

  7. Graph View of Subspace Learning • 图模型可以用来刻画数据集合的各种统计及几何特性。 • 对于mapping 问题目标函数 • 基于全局线性变换假设 • LDA

  8. Coupled Spectral Regression • Two Steps： • get the common discriminant low embedding; • learn the relationship between data in observe space and the low embedding.

  9. Liner Coupled Spectral Regression • The heterogeneous data sets: • Their low embedding: • Find two projective vectors: • Linear assumption: • The objective function: Approximation errors Shrinkage constraints or Tikhonov regularizer

  10. Experiment results • Database • Collected VIS-NIR • 5097 images with 2095 VIS and 3002 NIR • 202 persons • Setting 1 • Training set: 1062 VIS and 1487 NIR 202persons • Test set: the rest • Setting 2 • Training set: 1438VIS and 1927 NIR 168persons • Test set:657VIS and 1075 NIR 174persons • Feature extraction • 32χ32 intensity • 1000 dimension LBP feature • Evaluation • Rank-1 recognitin rate • Verification rate (VR) when the false accept rate (FAR) is 0.001. • Equal error rate (EER)

  11. 计算时间比较

  12. 结论 • 这篇文章我们提出了一种有效的子空间学习框架来匹配不同种类的人脸。 • 动机是不同种类的人脸在特征空间的位置不同。因此需要学习两个不同的投影将数据映射到一个公共空间。 • 回归采用的正则项技术提高了扩展能力同时降低了计算开销。 • 可以扩展到多模态数据上。

  13. Efficient Multi-label Classification with Hypergraph Regularization Author : Gang Chen, Jianwen Zhang, Fei Wang, Changshui Zhang

  14. 问题来源 • Multi-label classification • Image classification • Video indexing

  15. 传统做法 • Binary-SVM • 缺点： • 忽略了不同类别之间的语义相关性 • 例如： • car road通常在一幅图像中出现，这两个类别间存在很强的正相关性 Road SVM -1 Car SVM Query image 1 … … Label: Car Building Building SVM 1

  16. Rank-SVM • First take multi-label classification as a label ranking problem. • Then predict the label number of each instance. • Obtain the final labels of each instance.

  17. Rank SVM • 训练集合： • 定义每一个类别的得分函数 • Rank-SVM

  18. V 本文基本思路 • 利用超图来刻画不同语义类之间的相关性，从而提高Multi-label Classification的性能。 • 超图的构造：G=(V,E) • V： 顶点，所有的样本 • E：超边，属于同一个类别的 所有样本构成一条边。 • ：边的度数，属于第i类 样本的个数。 • w(e)：边的权值

  19. w1+w2 w1 w1 w3 w3 w3 2-pergraph hypergraph Hypergraph Regularization • Intuitively, two instance tend to have large overlap in their designed categories if they share high similarity in the hypergarph. • Clique expension algorithm

  20. w1+w2 w1 w1 w3 w3 w3 Hypergraph Regularization • Regularization term: hypergraph 2-pergraph

  21. Rank-HLapSVM

  22. Experiments F1measure:

  23. Multi-Label Sparse Coding for Automatic Image Annotation Author : Changhu Wang, Shuicheng Yan, Lei Zhang, Hong-Jiang Zhang

  24. 作者信息 • Changhu Wang：中国科大 • Shuicheng Yan：新加坡国立大学 • Lei Zhang：微软亚洲研究院 • Hong-Jiang Zhang：微软先进技术中心

  25. 摘要 • 本文提出了一种multi-label下的稀疏编码框架来进行特征提取和分类。 • 首先，每幅图像编码成supervector,通过基于patch的高斯混合模型。 • 其次，一种基于label sparse的编码框架被采用，并充分利用multi-label信息来指导降维。 • 最后，通过sparse L1 重构系数将已知样本的multi-label信息传递给测试样本。 • 实验验证了该算法的有效性。

  26. Feature representation • Universal background GMM model • Image specific GMM by EM adaptation • E step: • M step: • Supervector representation

  27. Label Sparse coding for feature extraction • 两个样本类别标号相同，这两幅图像所对应的语义特征一样。 if , then • 一个样本的类别标号可以由某几个样本类别标号表示，该样本对应的语义特征和某几个样本特征组合一致。

  28. Semitic graph construction by L1minimization

  29. Sparse coding for Multi-label Annotation Query image图像的所包含的语义特征可以表示成已有 图像的稀疏组合。 Label propagation to query image:

  30. Experiment Results

  31. Thank You!

More Related