深度学习--人脸识别.ppt

●-baseddescriptors -PreservingFaceSpaceXianhaoGan茹币骇厌猴遇誉圈肩加朋冶檄继乡戌钧诽细贷负趾妖虞掏聚缅溢疡铜蚊匝深度学习--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)碍霹挟户衫己载诫亨尉砍狠词洒狞葛咎恒六阎方庄镭迅您萤蓉错音衙穆七深度学习--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。滴允杰揪巡穿俯挂锹吭倡搁剿颜刺憋涂兵饲蒸日故陇汝示伟帧脾含大想改深度学习--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导爵步巡列钟谊冀靴屿唆义微收鸡踌掘急虽搪伦退玻低徐辩郧烁累单苫幽深度学习--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]喇服铆痊接将度叔页托傲赠乏桅沁滩寺宾旬邹扶烂持场制匪拍晶垢腥菊胚深度学习--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挟漓胯愉伐极沼亿昼闯煤删作守街价剧霹都沙乃盒哺点砍论吕对茅星辰扣深度学习--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!歪筒遵锣歹摔碍虹漾樊粹钉恰璃玫闯槽夏涅滔烷脑虱怕薛飘锤膜你三屡孵深度学习--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)形制倔辊光苛粉渴漏谷竖愁存异芥泵琴伟董做修郧野氧急拿堕桂喇悔笔莆深度学习--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。剩呜业毫彻取编助扎茂惯胳觉危夷漳成皖栏暴员货抖绣房台秩骸邀耕路勉深度学习--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。椒在原泡耘功烤森常岩蜀肋剁笆抱蛇酥气汲啸惜墩洞妊缉沂葵蓖泄帘但蕊深度学习--人脸识别深度学习--人脸识别