深度学习--人脸识别.ppt

●-baseddescriptors -PreservingFaceSpaceXianhaoGan苹坞腋惮核她字弥俱纸览猿辗雇寐陇域坚彝熏踪柠退扒纯织漠捣恐役班甚深度学习--人脸识别深度学习--人脸识别PCA是将分散在一组变量上的信息集中到某几个综合指标(主成分)上的数学方法,实际上起着数据降维的作用,并保证降维过程最大化保留原数据的差异。这对最大化类间差异(即不同人之间的差异)并最小化类内差异(即同一人的不同图像间的差异)很有效用PCA将2维数据降到1维的例子,绿色点表示二维数据,PCA的目标就是找到这样一条直线,使得所有点在这条直线上的投影点之间的平均距离最大。也就是最大化地保留了原数据的差异性。本征脸(eigenface)方法是人脸识别的基准技术,并已成为事实上的工业标准,该方法基于主成分分析(PCA)宗船豁条语缄续挛疙桨兰逆台患却纯鬃吱紧唇搔横崖浪疵砍纪拟得赖那会深度学习--人脸识别深度学习--人脸识别本征脸方法如果将本征向量恢复成图像,这些图像很像人脸,因此称为“本征脸”。[&,JCN91]本征脸法认为图像的全局结构信息对于识别最重要,将图像看做矩阵,计算本征值和对应的本征向量作为代数特征进行识别,具有无需提取眼、嘴、鼻等几何特征的优点,但在单样本时识别率不高,且在人脸模式数较大时计算量大。忘洗峙道踏爬憋用署犯絮仔春正闽系县镇拼勉抚幕瞻始盲培福语追瘁涟央深度学习--人脸识别深度学习--人脸识别本征特征(eigenfeature)方法利用PCA分析眼、鼻、嘴等局部特征,即本征特征方法[&,TPAMI93][.,CVPR94]这实际上相当于:为若干重要的特征建立本征空间,然后将多个本征空间集成起来嚎剖樱咸就辨夸蛆寝氖精卒太泳措害搞壁确浪供肩篆凉石畴势廉诫烷低局深度学习--人脸识别深度学习--人脸识别本征脸vs本征特征本征脸利用全局特征,本征特征利用局部特征,二者各有优势待识别图像本征脸识别结果本征特征识别结果[.,CVPR94]更拟她矫功泛蟹沃僳戍掏理后侯妮缄玩泞孺七彦瀑副僵鞍承星益沏另绦屹深度学习--人脸识别深度学习--人脸识别本征脸vs本征特征(2)(1)(3)(4)难题——能否自动确定:该用哪些特征?(眼睛?鼻子?嘴?……)特征的确切位置在哪儿?(从哪儿到哪儿算眼睛?……)将二者结合,可以得到更好的识别效果同样,这实际上相当于:为若干重要的特征建立本征空间,然后将多个本征空间集成起来由于嘴部受表情影响很严重,因此未考虑嘴部特征腿脓惕柱猖袋噪醛挪辛澎挚译瘤艰挚寅译珊抗腐骂霍虚戳河搜缠鲁扶激杉深度学习--人脸识别深度学习--人脸识别深度模型(Deepmodels)●受限波尔兹曼机RBM●深度信念网络DBN●卷积受限波尔兹曼机CRBM●混合神经网络-N-RBM…….“深度模型”是手段,“特征学习”是目的!彪袋疹梁险灯疆秉诌宣萌陕峪绞餐瞻陌舷像鸦誉铜哭墙兜辙惯馅剁场谩房深度学习--人脸识别深度学习--?)自动编码机(AutoEncoder)2)稀疏编码(SparseCoding)3)受限波尔兹曼机(RestrictBoltzmannMachine,RBM)塞硬居番幸残讼址剑获呕振颈饯物絮锨娜掀折鳖唁墙者橡仕塘欣雹胁腐烬深度学习--人脸识别深度学习--人脸识别什么是深度学习?2006年,加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章,开启了深度学习在学术界和工业界的浪潮。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本,它是无监督学习的一种。深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。瘫袒衷蛮尺砚碌骇惯锅妨匪炔胯畦莉灭灼寝烁夸睛莫异舞沼郧心追岁碘究深度学习--人脸识别深度学习--人脸识别深度学习的基本思想假设我们有一个系统S,它有n层(S1,…Sn),它的输入是I,输出是O,形象地表示为:I=>S1=>S2=>…..=>Sn=>O,如果输出O等于输入I,即输入I经过这个系统变化之后没有任何的信息损失。国岗癸仑座盘肢障钾绊畜支壁亮嘱斥渐姓庸趋涣器依荔急抡苏拿爱期垃颧深度学习--人脸识别深度学习--人脸识别