文档介绍：●-baseddescriptors -PreservingFaceSpaceXianhaoGanPCA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)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。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]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****是目的!?)自动编码机(AutoEncoder)2)稀疏编码(SparseCoding)3)受限波尔兹曼机(RestrictBoltzmannMachine,RBM)什么是深度学****2006年,加拿大多伦多大学教授、机器学****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****在学术界和工业界的浪潮。深度学****是机器学****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****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****的一种。深度学****的实质,是通过构建具有很多隐层的机器学****模型和海量的训练数据,来学****更有用的特征,从而最终提升分类或预测的准确性。深度学****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。