具有新特性非负矩阵分解用于有遮挡人脸识别

发布时间：2021-04-12 16:51

　　非负矩阵分解（Non-negative Matrix Factorization,NMF）作为一种有效的数据降维和特征提取算法,已经在诸多领域获得了广泛的应用。而深度学习（Deep Learning）,尤其是基于注意力机制（Attention Mechanism）的深度学习网络,也已经成为当下最火热的智能学习算法。本文在对NMF、注意力机制和深度学习进行深入研究后,提出了一种基于注意力机制的人脸属性预测方法,并更进一步提出了一种基于属性嵌入的改进非负矩阵分解算法。（1）本文提出了一种基于对称注意力机制的人脸属性预测网络（Face Attribute Prediction Network with Symmetric Attention Mechanism,FAP-SA）。该网络向基本的注意力机制中引入对称性约束,并将获得的注意力模块并行嵌入传统的卷积神经网络,构建了能对多种人脸属性进行预测的统一框架。并且,对FAP-SA网络的目标函数构建和训练过程也给出了描述。最后,将该网络在标准的人脸属性预测数据库上进行微调,之后进行了人脸属性特征可视化实验和人脸属性预测实验。实验结果表明,所提出F... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

传统神经网络结构示意图

工神经元能够响应部分周围单元，对于处理海量统神经网络具有类似结构，均由可学习权重和偏规格的输入，然后执行点积计算，最后输出对于同的地方在于，CNN 利用输入的特点，将神。例如，输入 RGB 图像大小为224 224 3，则。图 2.1 和图 2.2 分别展示了传统神经网络和 C图 2.1 传统神经网络结构示意图

图 2.3 DeepID1 网络结构示意图(2) DeepID2 网络DeepID2[44]网络对比于 DeepID1 在性能上有着较大提升。主要的原因在于DeepID2 网络在 DeepID1 的基础上添加了验证信号。具体来说，DeepID1 网络使用的是识别信号，即网络最后一层的目标函数中Softmax 使用的是逻辑回归 ( LogisticRegression )；而 DeepID2 在目标函数中加上验证信号，这两种信号进行了加权组合。在 LFW 数据库上获得了 99.15%的人脸验证精度。网络的识别信号通过最小化交叉熵损失来训练，表示如下： 1Ident , , log log nid i i iif t p p p (2-31)其中， f 代表DeepID2特征向量；t代表目标类别；id 代表Softmax层的参数；ip 为目标概率分布， ip 是实际概率分布；其中对于目标类别t来讲 1tp ，对于其他类别

【参考文献】：
期刊论文
[1]基于非负矩阵分解的类标签映射集成学习[J]. 高亮,潘积远,于佳平.  科学技术与工程. 2018(01)
[2]基于改进的Fisher准则的多示例学习视频人脸识别算法[J]. 王玉,申铉京,陈海鹏.  自动化学报. 2018(12)
[3]基于深度学习与随机森林的人脸年龄与性别分类研究[J]. 董兰芳,张军挺.  计算机工程. 2018(05)



本文编号：3133635