Revisiting the performance of PCA versus FDA versus Simple Projection for Image Recognition
Résumé
By the advancement of technology, people are using internet for interchanging millions of photos every day from one to another part of the world, where data reductions are used to send file long distance with in minimum period of time. In the medical science physicians are detecting body organs, tumor cells and complex physical phenomena by optical fibers and where image processing is quite useful. One of another important sector of image processing is meteorology where it processes satellite sending images to do daily weather forecasting or finding climate change. There are many other sectors such as military surveillances, underwater search, satellite navigation etc. Suppose there are millions of images in the database of NSA, but they do not have clear image of the suspect (or suspects). Their main aim is to find the image (or multiple images) of particular scene and identify object of interest in the image (or images). In this study, we will set a very well-known paradigm of analysis using PCA, FDA and simple projection to recognize people from their facial images. We will consider that we have some images of known people that can be used to compare and recognize new images (of the same set of face images). Moreover we will show graphical and tabular representation for average performance of correct recognition as well as analyze the effectiveness of three projections. Keywords SVD, orthogonal matrix, orthogonal linear transformation, orthogonal projection, PCA, FDA Methodology As images are very high dimensional, it is not easy to analyze them directly. Some common approaches are to reduce their diminution using principal component analysis (PCA), Fisher's discriminant analysis (FDA), and other similar methods. Both PCA and LDA are linear transformation methods. PCA yields the directions (principal components) that maximize the variance of the data, whereas LDA also aims to find the directions that maximize the separation
Par l'avancement de la technologie, les gens utilisent Internet pour échanger des millions de photos chaque jour d'une à l'autre partie du monde, où les réductions de données sont utilisées pour envoyer des fichiers interurbains avec dans une période minimale de temps. Dans la science médicale, les médecins détectent les organes du corps, les cellules tumorales et les phénomènes physiques complexes par fibres optiques et où le traitement de l'image est très utile. L'un des autres secteurs importants du traitement de l'image est la météorologie où elle traite l'envoi d'images par satellite pour effectuer des prévisions météorologiques quotidiennes ou trouver le changement climatique. Il existe de nombreux autres secteurs tels que les surveillances militaires, la recherche sous-marine, la navigation par satellite, etc. Supposons qu'il y ait des millions d'images dans la base de données de la NSA, mais qu'elles n'aient pas d'image claire du suspect (ou des suspects). Leur objectif principal est de trouver l'image (ou plusieurs images) d'une scène particulière et d'identifier les objets d'intérêt dans l'image (ou les images). Dans cette étude, nous allons définir un paradigme très bien connu de l'analyse en utilisant PCA, FDA et la projection simple pour reconnaître les gens à partir de leurs images faciales. Nous considérerons que nous avons quelques images de personnes connues qui peuvent être utilisées pour comparer et reconnaître de nouvelles images (du même ensemble d'images de visage). En outre, nous allons montrer la représentation graphique et tabulaire pour la performance moyenne de la reconnaissance correcte ainsi que d'analyser l'efficacité de trois projections. Mots-clés SVD, matrice orthogonale, transformation linéaire orthogonale, projection orthogonale, PCA, méthodologie FDA Comme les images sont très dimensionnelles, il n'est pas facile de les analyser directement. Certaines approches courantes sont de réduire leur diminution en utilisant l'analyse des composants principaux (PCA), l'analyse discriminante de Fisher (FDA), et d'autres méthodes similaires. Le PCA et le LDA sont des méthodes de transformation linéaires. PCA donne les directions (composants principaux) qui maximisent la variance des données, tandis que LDA vise également à trouver les directions qui maximisent la séparation
Origine : Fichiers produits par l'(les) auteur(s)