Thông tin chung

  English

  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác

  Tài liệu tham khảo

  Hiệu chỉnh

 
Số người truy cập: 106,048,787

 An Extended Max-margin Non-negative Matrix Factorization for Face Recognition
Tác giả hoặc Nhóm tác giả: Mai Lam
Nơi đăng: Hội thảo Khoa học Quốc Gia: Công nghệ Thông tin & Ứng dụng trong các Lĩnh vực Lần thứ 6, Nhà xuất bản Thông tin và Truyền thông; Số: ISBN: 978-604-80-2853-4;Từ->đến trang: 88-95;Năm: 2017
Lĩnh vực: Khoa học công nghệ; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
ABSTRACT
Non-negative matrix factorization (NMF) is a dimension-reduction technique based on a low-rank approximation of the feature space. Unfortunately, most existing NMF based methods are not ready for encoding higher-order data information and ignore the local geometric structure contained in the data set. Additionally, the previous classification approaches which the classification and matrix factorization steps are separated independently. The first one performs data transformation and the second one classifies the transformed data using classification methods as support vector machine (SVM). In this paper, therefore, we joint SVM and constrained NMF into one by uniting maximum margin classification constraints into the constrained NMF optimization. Experimental results on the benchmark image datasets demonstrate the effectiveness of the proposed method.
[ 2017\2017m012d022_21_31_2An_Extended_Max-margin_Non-negative_Matrix_Factorization_for_Face_Recognition_-_Mai_Lam.pdf ]
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn