深度学习--人脸识别.ppt

Deep Learning Identity-Preserving Face Space
o Related works for feature learning
1. Learning-based descriptors
2. Deep models
Network Architecture
Xianhao Gan
本征脸(
eigenface
)方法
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)
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。
本征脸方法
●垂。。垂垂
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”。
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
IM. Turk A Pentland, jCn91
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
[R Brunelli &T Poggio, TPAMI93]
[A. Pentland et al. CVPR94
这实际上相当于:为若千重要的特征建立本征空间,然后将多个
本征空间集成起来
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
量垂
待识别图像
6
本征脸识别结果
音直
本征特征识别结果
[A. Pentland et al. CVPR94
本征脸vs本征特征
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
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?…….
深度模型( Deep models)
●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-受限波尔兹曼机CNN-RBM
“深度模型”是手段,“特征学习”是目的
深度学习
什么是深度学习?
2深度学习的基本思想
3深度学习的常用方法
1)自动编码机( Auto Encoder)
2)稀疏编码( Sparse Coding)
3)受限波尔兹曼机( Restrict Boltzmann machine,
RBM)
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 Geoffrey hinton和他的学生 Ruslan salakhutdinov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
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
,输出是O,形象地表示为:丨=>S1=>S2=>.….>Sn=>O,如
果输出○等于输入|,即输入I经过这个系统变化之后没有任何的信
息损失
输入层
隐藏层
输出层