Resumen de Robust subspace learning for computer visión
El análisis de componentes principales (ACP) y la descomposición en valores singulares (DVS) son dos de las técnicas, basadas en la teoría de subespacios, más utilizadas en la reducción de la dimensionalidad, filtrado, modelado de datos, etc, Aunque conocidas desde hace más de 100 años, estas técnicas han sido introducidas en el campo de la visión por ordenador en los años 80 para resolver problemas como el reconocimiento, la estructura a partir de movimiento o el seguimiento. Sin embargo, ACP o DVS derivan de una estimación mínimo cuadrática que queda sesgada en presencia de outliers, una situación común en conjuntos de datos reales. En la primera parte de esta tesis, se introduce el aprendizaje robusto de subespacios, un nuevo método para reducir la influencia de los intra-sample outliers (outliers que aparecen a nivel de pixel). El resultado de este trabajo mostrará el beneficio de utilizar técnicas basadas en la estadística robusta cuando intra-sample outliers o medidas de incertidumbre quieren incorporarse en la formulación de ACP o DVS.
La segunda parte de esta tesis aborda el problema del aprendizaje de dependencias ente dos ó más conjuntos de datos de elevada dimensión y con un número limitado de muestras. Se propone el análisis de componentes acoplados (ACA) para el aprendizaje de dependencias entre dos conjuntos, en el espacio de parámetros ocultos en lugar del espacio de observación (imagen). Adicionalmente se extiende ACA para modelar las dependencias temporales derivados en el análisis dinámico de componentes acopladas. Para tener en cuenta los outliers y posibles valores perdidos, el problema se formula en términos de estadística robusta.
Finalmente, las técnicas de aprendizaje basadas en subespacio se aplican al problema del seguimiento y modelado de la cara. Los capítulos finales exploran el uso de modelos personales faciales basados en la apariencia (MPFA) para producir resultados más
