代价敏感局部保持投影提升人脸识别性能

本文探讨了一种创新的面向人脸识别的加权代价敏感局部保持投影方法。传统的局部保持降维技术通常关注最小化整体识别错误率，认为各类别的错误成本是等同的。然而，在实际的人脸识别应用中，如门禁系统中，误将入侵者当作合法用户识别出错的成本远大于将合法用户误判为入侵者的损失。这使得识别问题呈现出多类、代价敏感和类不平衡的特点。 针对这种场景，论文提出了一种新的降维策略，旨在最小化错分代价。具体来说，它将不同类别的错分代价融入局部保持模型，通过加权策略来平衡各类样本在投影方向上的影响力。这意味着算法会优先考虑减少高代价错误的发生，如误识为入侵者，而不仅仅是简单地追求全局的低错误率。这种做法对于处理类别不平衡的数据集尤其有效，因为它能够更公平地对待每一类样本。 作者们在人脸数据集AR（AT&T面部识别）, PIE (Pittsburgh Face Database), 和 Extended Yale B 等知名数据库上进行了实验，结果显示，这种加权代价敏感的局部保持投影方法显著提高了人脸识别的性能，特别是在处理成本敏感和类别不平衡情况时，其有效性得到了验证。 总结起来，这篇文章的主要贡献在于提出了一种适应人脸识别任务的降维技术，它能够更好地反映实际应用中的代价敏感性，并通过加权策略优化了样本在降维过程中的分布，从而提升人脸识别系统的准确性和鲁棒性。这对于提高人脸识别系统的实用性和可靠性具有重要意义。