Análise Discriminante Multivista

Em muitos sistemas de visão computacional, o mesmo objeto pode ser observado a partir de diferentes pontos de vista ou até mesmo por diferentes sensores, o que traz a demanda desafiadora de reconhecer objetos a partir de visões distintas e até heterogêneas. Neste trabalho, propomos uma abordagem de Análise Discriminante Multivista (MvDA), que busca um único espaço discriminante comum para múltiplas vistas de maneira não pareada, aprendendo conjuntamente múltiplas transformações lineares específicas de cada vista. Especificamente, nossa MvDA é formulada para resolver conjuntamente as múltiplas transformações lineares otimizando um quociente de Rayleigh generalizado, ou seja, maximizando as variações entre classes e minimizando as variações dentro das classes tanto no espaço intra-vista quanto inter-vista. Ao reformular esse problema como um problema de traço de razão, as múltiplas transformações lineares são alcançadas analiticamente e simultaneamente através da decomposição espectral generalizada. Além disso, inspirado pela observação de que diferentes vistas compartilham estruturas de dados semelhantes, uma restrição é introduzida para impor a consistência visual das múltiplas transformações lineares. O método proposto é avaliado em três tarefas: reconhecimento facial através de pose, reconhecimento de face em foto versus esboço, e reconhecimento de face em imagem visual de luz versus imagem de infravermelho próximo nos bancos de dados Multi-PIE, CUFSF e HFB, respectivamente. Experimentos extensivos mostram que nossa MvDA alcança melhorias significativas em comparação com os melhores resultados conhecidos.