人脸识别:FERET数据集上人脸识别投影技术(PCA,ICA和LDA)的比较分析

上传者: 42104181 | 上传时间: 2022-11-16 14:13:39 | 文件大小: 437KB | 文件类型: ZIP
人脸识别 本项目代表对面部投影技术(PCA,ICA和LDA)的比较分析,旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试,一个旨在保留美国人口的种族构成(70%的白种人,20%的非洲人,10%的东南亚人),而其他人的种族背景分布均匀(33%的白人,33%的非洲人,33%的东南亚人)。 这两个数据集每个类(人)都包含两个图像,旨在模拟法律规范应用,其中每个人的可用图像数量预计会很少。 培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA,得到一个180维子空间(450的40%),该子空间在受人口影响的数据中分别保留99.66%的信息,在公平意识的数据中分别保留99.68%的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像,并通过将它们与同一个

文件下载

资源详情

[{"title":"( 17 个子文件 437KB ) 人脸识别:FERET数据集上人脸识别投影技术(PCA,ICA和LDA)的比较分析","children":[{"title":"face-recognition-master","children":[{"title":"setup.py <span style='color:#111;'> 1.14KB </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 141B </span>","children":null,"spread":false},{"title":"requirements.txt <span style='color:#111;'> 125B </span>","children":null,"spread":false},{"title":"LICENSE.txt <span style='color:#111;'> 1.05KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 14.41KB </span>","children":null,"spread":false},{"title":"data_structures","children":[{"title":"KeyedPriorityQueue.h <span style='color:#111;'> 943B </span>","children":null,"spread":false},{"title":"priority_queue.pyx <span style='color:#111;'> 1.66KB </span>","children":null,"spread":false},{"title":"KeyedPriorityQueue.cpp <span style='color:#111;'> 3.40KB </span>","children":null,"spread":false}],"spread":true},{"title":"notebook","children":[{"title":"comparative-FERET-study.ipynb <span style='color:#111;'> 649.47KB </span>","children":null,"spread":false}],"spread":true},{"title":"machine_learning","children":[{"title":"neighbours.pyx <span style='color:#111;'> 9.15KB </span>","children":null,"spread":false},{"title":"__init__.py <span style='color:#111;'> 0B </span>","children":null,"spread":false},{"title":"decomposition.pyx <span style='color:#111;'> 19.25KB </span>","children":null,"spread":false},{"title":"test","children":[{"title":"__init__.py <span style='color:#111;'> 0B </span>","children":null,"spread":false},{"title":"test_ICA.py <span style='color:#111;'> 1.47KB </span>","children":null,"spread":false},{"title":"test_PCA.py <span style='color:#111;'> 2.51KB </span>","children":null,"spread":false},{"title":"test_kNN.py <span style='color:#111;'> 2.16KB </span>","children":null,"spread":false},{"title":"test_LDA.py <span style='color:#111;'> 1.50KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明