Robust Recognition via Information Theoretic Learning

این Springer Brief مروری جامع از روش‌های نظری اطلاعات برای تشخیص قوی است. انواع روش های تئوری اطلاعات در دهه گذشته در طیف وسیعی از کاربردهای بینایی کامپیوتری ارائه شده است. این کار آن‌ها را گرد هم می‌آورد، سعی می‌کند نظریه، بهینه‌سازی و استفاده از آنتروپی اطلاعات را ارائه دهد.

نویسندگان به یک مفهوم نظری اطلاعات جدید، همسان‌تروپی، به عنوان معیاری قوی متوسل می‌شوند و آن را برای حل تشخیص چهره قوی به کار می‌برند. و مشکلات تشخیص اشیا برای کارایی محاسباتی، این خلاصه اشکال افزایشی و ضربی بهینه‌سازی نیمه درجه دوم را برای به حداقل رساندن مؤثر مسائل آنتروپی و یک چارچوب ارائه پراکنده دو مرحله‌ای برای مسائل تشخیص مقیاس بزرگ معرفی می‌کند. همچنین نقاط قوت و کمبود اقدامات قوی مختلف را در حل مشکلات شناسایی قوی توصیف می‌کند.

This Springer Brief represents a comprehensive review of information theoretic methods for robust recognition. A variety of information theoretic methods have been proffered in the past decade, in a large variety of computer vision applications; this work brings them together, attempts to impart the theory, optimization and usage of information entropy.

The authors resort to a new information theoretic concept, correntropy, as a robust measure and apply it to solve robust face recognition and object recognition problems. For computational efficiency, the brief introduces the additive and multiplicative forms of half-quadratic optimization to efficiently minimize entropy problems and a two-stage sparse presentation framework for large scale recognition problems. It also describes the strengths and deficiencies of different robust measures in solving robust recognition problems.