Notice bibliographique
Résumé
To solve the small sample problem of biometric identification, this paper investigates the limiting case of the problem, i.e., the recognition of a single training sample, and proposes a single sample discriminant analysis method based on Gabor wavelet and KPCA-RBF (KPRC) classifier (kernel principal component analysis-radial basis function). The proposed method performs pixel-level fusion of face and palmprint images. Firstly, a face image and a palmprint image were subject to two-dimensional (2D) Gabor wavelet transform. The resulting Gabor face image and Gabor palmprint image were fused on the pixel level into a new fused image. Next, a new classifier called KPCA-RBF was designed to extract nonlinear discriminative features by KPCA, and classify objects with RBF. Based on AR database, FERET database, and palmprint database, the single sample discriminant analysis method was realized based on Gabor transform and KPCA-RBF classifier. Experimental results show that multimodal recognition methods clearly outshine single-modal recognition methods, and the GABOR-KPRC with pixel-level fusion achieves better recognition effect than other fusion methods. It was also demonstrated that Gabor transform and KPRC classifier can effectively improve the fusion effect, whether for pixel-level fusion or decision-level fusion.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».