二维典型相关分析在小样本图像识别上的应用

doi:10.3778/j.issn.1002-8331.2010.05.054

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (5): 177-180.DOI: 10.3778/j.issn.1002-8331.2010.05.054

• 图形、图像、模式识别 • 上一篇下一篇

二维典型相关分析在小样本图像识别上的应用

孙宁¹，宋莹²，成伟明¹，赵春光¹

1.中国电子科技集团第28研究所，南京 210007
2.空军驻合肥地区军事代表室，合肥 230000

收稿日期:2008-08-25 修回日期:2008-12-11 出版日期:2010-02-11 发布日期:2010-02-11
通讯作者: 孙宁

Two-dimensional canonical correlation analysis and its application in small sample size image recognition

SUN Ning¹，SONG Ying²，CHENG Wei-ming¹，ZHAO Chun-guang¹

1.The 28th Research Institute of China Electronics Technology Group Corporation，Nanjing 210007，China
2.Military Representative Office of Air Force Stationed in Hefei，Hefei 230000，China

Received:2008-08-25 Revised:2008-12-11 Online:2010-02-11 Published:2010-02-11
Contact: SUN Ning

摘要/Abstract

摘要： 针对传统典型相关分析（Canonical Correlation Analysis，CCA）的图像识别中出现的小样本（Small Sample Size，SSS）问题，提出二维典型相关分析（Two-Dimensional CCA，2DCCA）。首先阐述了2DCCA方法的基本原理并给出了类成员关系矩阵的构造方法，推导出了类成员关系协方差矩阵广义逆的解析解。其次，从理论上证明了2DCCA方法对于解决小样本问题的有效性。最后，利用人脸识别实验来测试该方法的性能，实验结果表明，2DCCA方法有效地解决了图像识别中常见的小样本问题，并且能取得较其他几种基于CCA的人脸识别方法更优的识别结果。

关键词: 典型相关分析, 二维典型相关分析, 图像识别, 小样本问题

Abstract: The traditional Canonical Correlation Analysis（CCA） based image recognition methods always encounter the Small Sample Size（SSS） problem，which is due to the size of sample and less than the dimension of sample.In order to solve this problem，a new supervised learning method called Two-Dimensional CCA（2DCCA） is developed.The theory foundation of 2DCCA method is firstly developed，and the construction method for the class-membership matrix Y which is used to precisely represent the relationship between samples and classes in the 2DCCA framework is then clarified.Simultaneously，the analytic form of the genera-lized inverse of such class-membership matrix is derived.From experiment results on face recognition，not only can the SSS problem be effectively solved，but also better recognition performance than several other CCA based methods has been achieved.

Key words: canonical correlation analysis, Two-Dimensional CCA（2DCCA）, face recognition, small size sample

中图分类号:

TP391

孙宁¹，宋莹²，成伟明¹，赵春光¹. 二维典型相关分析在小样本图像识别上的应用[J]. 计算机工程与应用, 2010, 46(5): 177-180.

SUN Ning¹，SONG Ying²，CHENG Wei-ming¹，ZHAO Chun-guang¹. Two-dimensional canonical correlation analysis and its application in small sample size image recognition[J]. Computer Engineering and Applications, 2010, 46(5): 177-180.

[1]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[2]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[3]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[4]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[5]	黄英来，温馨，任洪娥，王佳琪. 深度迁移学习在古筝品质分级中的应用[J]. 计算机工程与应用, 2021, 57(10): 218-224.
[6]	刘虹，王烈. 结合余弦相关性的卷积网络识别汉字的方法[J]. 计算机工程与应用, 2020, 56(8): 130-135.
[7]	曹晓航，汪立新，束学渊. 基于小波不变矩的雷达辐射源信号识别[J]. 计算机工程与应用, 2020, 56(19): 269-272.
[8]	蒋亚芳，严馨，李思远，徐广义，周枫. 多重CCA算法的柬汉双语词向量构建方法[J]. 计算机工程与应用, 2020, 56(17): 167-172.
[9]	李鑫，焦斌，林蔚天. 基于条件信息卷积生成对抗网络的图像识别[J]. 计算机工程与应用, 2020, 56(14): 191-198.
[10]	苗开超，周建平，陶鹏，刘承晓，姚叶青. 自适应混合卷积神经网络的雾图能见度识别[J]. 计算机工程与应用, 2020, 56(10): 205-212.
[11]	袁嘉杰，张灵，陈云华. 基于注意力卷积模块的深度神经网络图像识别[J]. 计算机工程与应用, 2019, 55(8): 9-16.
[12]	张锡英，宋宇鹏，陈曦，边继龙. 融合STN和DenseNet的深度学习网络及其应用[J]. 计算机工程与应用, 2019, 55(17): 131-136.
[13]	郑远攀1，2，李广阳1，李晔1. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36.
[14]	王献锋，黄文准，张善文. 基于加权局部判别CCA的多视角步态识别方法[J]. 计算机工程与应用, 2018, 54(21): 90-94.
[15]	袁明新1，2，张丽民1，2，朱友帅1，姜烽1，江亚峰2. 联合中间层的深度卷积神经网络模型[J]. 计算机工程与应用, 2018, 54(20): 139-144.

二维典型相关分析在小样本图像识别上的应用

Two-dimensional canonical correlation analysis and its application in small sample size image recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics