Discriminative Learning in Biometrics

این تک نگاری آخرین پیشرفت ها را در روش های یادگیری متمایز برای تشخیص بیومتریک توصیف می کند. به طور خاص، این روش بر سه دسته‌ی معرف روش‌ها تمرکز می‌کند: طبقه‌بندی مبتنی بر نمایش پراکنده، یادگیری متریک، و نمایش ویژگی‌های متمایز، همراه با کاربردهای آن‌ها در احراز هویت اثر کف دست، تشخیص چهره و چند بیومتریک. ایده ها، الگوریتم ها، ارزیابی تجربی و دلایل اساسی نیز برای درک بهتر این روش ها ارائه شده است. در نهایت، چندین جهت تحقیقاتی امیدوارکننده را در زمینه تشخیص بیومتریک متمایز مورد بحث قرار می‌دهد.

This monograph describes the latest advances in discriminative learning methods for biometric recognition. Specifically, it focuses on three representative categories of methods: sparse representation-based classification, metric learning, and discriminative feature representation, together with their applications in palmprint authentication, face recognition and multi-biometrics. The ideas, algorithms, experimental evaluation and underlying rationales are also provided for a better understanding of these methods. Lastly, it discusses several promising research directions in the field of discriminative biometric recognition.