版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u014230646/article/details/75645436 </div>
<link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
<div id="content_views" class="markdown_views prism-atom-one-dark">
<!-- flowchart 箭头图标 勿删 -->
<svg xmlns="http://www.w3.org/2000/svg" style="display: none;">
<path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
</svg>
<blockquote>
Cvpr 2016 Latent Factor Guided Convolutional Neural Networks for Age-Invariant Face Recognition
Iccv 2013 Hidden Factor Analysis for Age Invariant Face Recognition
概述
最近看了两篇隐变量分析的文章。这两篇文章都是关于年龄不变的人脸识别的,把人脸特征投影到两个子空间,一个是年龄相关的子空间,一个是identity相关的子空间。然后用EM算法估计参数。这么做的出发点是观察到人脸的特征有的是年龄相关的,有些是个体相关的。因此,显式地对这两个因素建模。
这种方法与联合贝叶斯类似。
问题的数学形式
人脸的特征可以表达成:
其中,t是一维的特征向量,β是特征向量均值,U是一个与identity相关的子空间,V是与年龄相关的子空间,
x,y分别是隐变量因子,ε是加性高斯噪声。
模型的参数是:
E步
接着用EM算法迭代估计模型参数以及隐变量的后验概率。
需要知道在给定模型参数的时候隐变量的联合分布,作者证明了隐变量的充分统计量,并且用来更新模型参数。
所以在E步需要计算上述充分统计量
M步
证明了参数更新公式
根据2016年的那篇文章,可以用CNN提取卷积特征,而全连接层的特征则使用hfa来求。
实现
用center face的caffemodel作为微调的模型,hfa部分用matlab实现,根据论文,只需要交叉训练10次左右就可以有比较好的效果。数据集采用cacd2000.
……