Publication

Independent Component Analysis and Support Vector Machine for Face Feature Extraction

Jean-Philippe Thiran, Vlad Popovici
2003
Conference Papers

Résumé

We propose Independent Component Analysis representation and Support Vector Machine classification to extract facial features in a face detection/localization context. The goal is to find a better space where project the data in order to build ten different face-feature classifiers that are robust to illumination variations and bad environment conditions. The method was tested on the BANCA database, in different scenarios: controlled conditions, degraded conditions and adverse conditions.

Source officielle

https://infoscience.epfl.ch/entities/publication/8c57c053-b59a-4153-84d1-a9e45e90dcf0

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Jean-Philippe Thiran, Vlad Popovici
2003
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/8c57c053-b59a-4153-84d1-a9e45e90dcf0

À propos de ce résultat

Concepts associés (27)

Machine à vecteurs de support

Les machines à vecteurs de support ou séparateurs à vaste marge (en anglais support-vector machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires. Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Tchervonenkis.

Analyse en composantes principales

L'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux.

Analyse en composantes indépendantes

L'analyse en composantes indépendantes (en anglais, independent component analysis ou ICA) est une méthode d'analyse des données (voir aussi Exploration de données) qui relève des statistiques, des réseaux de neurones et du traitement du signal. Elle est notoirement et historiquement connue en tant que méthode de séparation aveugle de source mais a par suite été appliquée à divers problèmes. Les contributions principales ont été rassemblées dans un ouvrage édité en 2010 par P.Comon et C.Jutten.

Afficher plus

Publications associées (32)

Afficher plus

Independent Component Analysis and Support Vector Machine for Face Feature Extraction

Chattez avec Graph Search

Graph Signal Separation With Learnable Spectral Filters

Single-Molecule Fingerprinting of Unlabeled Full-Length Proteins Using an Aerolysin Nanopore

Fundamental Limits and Solvable Models of Feature Learning in High-Dimensional Models and Attention Networks