论文阅读：Iccv 2013 Hidden Factor Analysis for Age Invariant Face Recognition

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：

$$\{\beta, U,V,\sigma^2\}$$
最大化对数似然函数:
$$L_c=\sum_{i,k}ln{p_\theta(t_i^k,x_i,y_k)}$$

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.
……