Hyperspectral face recognition with minimum noise fraction, histogram of oriented gradient features and collaborative representation-based classifier
Notice bibliographique
Résumé
Hyperspectral imaging provides new opportunities for improving face recognition accuracy. However, it poses such challenges as difficulty in data acquisition, low signal to noise ratio (SNR), and high dimensionality. In this paper, we propose a novel method for hyperspectral face recognition with good recognition rates. We first reduce noise adaptively from each spectral band and then crop each face. We perform minimum noise fraction (MNF) transform to the cropped face data cube in order to extract a number of MNF bands. We extract histogram of oriented gradients (HOG) features from each MNF band. We conducted some experiments to test this new method for hyperspectral face recognition with very promising results. For Hong Kong Polytechnic University Hyperspectral Face Database (PolyU-HSFD), we achieved an average correct recognition rate of 95.4% with standard deviation of 2.6 (95.4% ±2.6). For CMU Hyperspectral Face Database (CMU-HSFD), we achieved an average correct recognition rate of 98.1% with standard deviation of 0.8 (98.1% ±0.8). The reasons why we choose MNF for hyperspectral face recognition are because it can separate noise from fine features in the face data cube and at the same time reduce the dimensionality of the face data cube. In this way, our proposed face recognition method will be faster than those methods without dimensionality reduction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».