Aleksandar Milchevski

开发了一种利用视频特征的多模态情感分析方法, audio, electrocardiogram (ECG), 以及结合两种回归技术的皮肤电活动(EDA), namely boosted regression trees and linear regression. Moreover, 为了利用情感维度的时间相关性，提出了一种新的正则化线性回归方法. 最后的预测是使用在不同组的特征上单独训练的回归器的决策级融合得到的. 在基准数据集上获得的良好结果表明了该方法的有效性和有效性.

在这个项目中，离散小波变换实现了一个带通滤波器去噪心电信号. 采用圆形缓冲器实现了DWT带通滤波器的新改进版本. Time performance analysis and comparison of obtained solution vs. existing solutions was done.

In this work, 针对存在配准误差和异常值的情况，提出了一种新的两阶段鲁棒超分辨方法. In the first phase, 使用机器学习方法为指示配准错误存在的每个LR(低分辨率)图像创建权重矩阵. In the second phase, 使用所有LR图像和相关权重矩阵执行超分辨率, creating an image that is free of error artifacts.

在这项工作中，解决了图像中的人脸去识别问题. 解决这个问题的第一步是设计一个成功的通用人脸检测算法，该算法可以检测图像或视频中的所有人脸, regardless of the pose. If the face detection algorithm fails to detect even one face, 去识别算法的影响可以被抵消. 为此，提出了一种新的人脸检测算法，用于人脸检测和姿态估计. The algorithm uses an ensemble of three linear SVM classifiers. The first, second, and third SVM classifier estimates the face's pitch, yaw, and roll angle, 并使用逻辑回归将结果组合并输出最终决策. Second, 利用人脸检测结果和一种简单的空间变异体去识别算法，展示了同时进行人脸检测和人脸去识别的好处.