稀疏表示和协同编码哪个对人脸识别起了作用

基于稀疏表示的人脸识别组合稀释表示源程序

压缩感知representation算法，正交匹配追踪OMP matlab实现

摘要：为了准确地进行SAR图像目标识别，提出一种基于稀疏表示的SAR目标识别方法，在用主成分分析（PCA）进行降维的前提下，利用降维后的训练样本构建稀疏线性模型，通过ℓ1范数最优化求解测试样本的稀疏系

为了提升自然场景图像的识别精度,结合bag-of-visual word模型,提出了一种基于核稀疏表示的图像识别方法。该方法的图像描述部分主要利用核稀疏表示在高维度空间进行图像特征的匹配表示,识别部分

movielens的小规模数据,以及协同滤波的python代码,用于练习学习

交互行为的识别是机器视觉研究领域的热点和难点,针对其识别率低的问题,提出了一种融合深度图像边缘特征、RGB(Red, Green, Blue)图像纹理特征以及光流运动轨迹特征的识别算法。首先,采用Ca

利用深度学习框架(VGGFace)提取人脸特征；其次，利用PCA对提取的特征进行降维；最后，利用稀疏表达分类实现特征匹配。采用CMC曲线评价在AR数据库上的识别性能

人脸图像识别中人脸图像数据中有很多是稀疏的,对于稀疏数据的降维是流形学习算法面临的一个问题。为了有效地从高维图像数据中提取人脸图像的敏感信息,提高人脸识别的速度,文章提出了一种基于流形学习的有监督稀疏

这是稀疏编码的代码，里面包含了很多的常见的算法

LinearSpatialPyramidMatchingUsingSparseCodingforImageClassification-ScSPM对应代码