基于目标空间构造的人脸识别研究
发布时间：2021-10-30 04:58
人脸识别是一项被广泛应用于日常生活的身份认证技术,在公共安全和快捷支付等领域都有较为成熟的应用。人脸识别的主要应用是身份验证,该过程包括面部信息提取和数据库匹配。目前,人脸识别的研究重点是无约束场景的人脸识别,低分辨率、遮挡、年龄、姿势和光照等因素对识别的结果会产生较大的影响。近年来,随着深度学习的快速发展,无约束场景的人脸识别也取得了较大的突破,其中损失函数是提升模型性能的重要因素。目前,损失函数的研究方向分为度量学习方法和多分类方法。本文通过分析上述算法的优化目的,得出它们最终都是构造一个可区分性的目标空间。基于构造目标空间的分布状况,本文提出了样本自聚集算法,该方法能够通过聚集同类别的样本构建具有可区分性的目标空间。论文的主要工作如下:（1）回顾了近年来基于卷积神经网络的人脸识别算法,分别对度量学习和多分类方法进行了详细的分析。度量学习通过直接优化目标空间的样本位置,使得目标空间中的样本均能够服从最大的类内距离小于最小的类间距离。多分类方法通过训练多类别分类器间接优化样本在目标空间的位置,并在原有损失函数的基础上添加边界惩罚,减小了类内距离,使得目标空间的样本特征具有良好的可区分...
【文章来源】：江西师范大学江西省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
孪生神经网络-Chopra结构图
基于目标空间构造的人脸识别研究112ap,0piiiLfxfxLx（2-10）2an,0niiiLfxfxLx（2-11）分析上述梯度可得出，正例样本的优化方向是向锚点靠近，而负例样本是在远离锚点，锚点的优化方向是根据正样本点和负样本点的位置取了一个折衷，但仍是靠近正样本点远离负样本点。该损失函数优化过程如图2-2所示。图2-2三元组损失优化示意图图中的圆圈代表同一类别，分别为锚点和正例点，方块为另外一个类别的负例点。当上述样本组合的位置关系不满足约束关系时，它们将根据损失函数产生的梯度优化自身的位置，使得同类别的样本间的距离更近，而不同类别的样本间的距离更远。三元组损失的优化目标是期望任意样本组合的类内距离均小于类间距离。相对于对比损失单方面优化正例对或者负例对，三元组损失采取同时优化正样本对和负样本对的方式进行训练。但该方法的实际代价非常大，三元组的组合数目会随着样本数和类别数的增加呈指数增加。例如有3个类别，每个类别都包含10个样本，可训练的三元组组合数是2700组。若全部训练这些样本组合，其训练代价非常庞大。因此如何挑选适当的三元组进行训练是该方法的一个难点。因此，FaceNet提出了半困难的样本组合，即选择正例对距离小于负例对距离但不满足边界约束的样本组合。但是该样本组合的生成方式需要依赖提前计算所有样本的位置关系，再挑选出符合条件的样本组合。该方法的代价仍然非常巨大，后续的改进方法也从三元组损失的固有缺点出发，分为改良约束条件和改良样本组合的选择策略。三元组损失有效利用了正样本对和负样本对之间的位置关系，使得模型优化的方向更有利于实现类内距离小于类间距离。该方法存在的主要缺陷是训练的组合数太过庞大，如何选择更有效的训练组合
的角度惩罚，使得局部样本组合的优化过程更易于收敛。改进约束条件的方法使得模型的收敛速度也有一定的提升。改进训练样本组合的方法近年来发展迅速，其中LiftedStruct[46]和RankedList[47]两种方法通过提高批样本组合的利用率获取更快的收敛速度。与它们相类似的方法也称为结构性损失。LiftedStruct的主要创新点在于其高效地利用了批样本。原先对比损失和三元组损失的优化的是两个或三个样本的位置关系，而批样本内部的样本之间并无直接关联性。LiftedStruct将样本位置关系拓展到了整个批样本内部，具体的改进过程如图2-3所示。图2-3结构性损失-Song示意图
【参考文献】：
期刊论文
[1]角度余量损失和中心损失联合的深度人脸识别[J]. 李振东,钟勇,陈蔓,王理顺. 计算机应用. 2019(S2)
[2]深度度量学习综述[J]. 刘冰,李瑞麟,封举富. 智能系统学报. 2019(06)
[3]基于集成人脸对距离学习的跨年龄人脸验证[J]. 吴嘉琪,景丽萍. 模式识别与人工智能. 2017(12)
[4]有遮挡人脸识别综述:从子空间回归到深度学习[J]. 李小薪,梁荣华. 计算机学报. 2018(01)
[5]多姿态人脸识别综述[J]. 邹国锋,傅桂霞,李海涛,高明亮,王科俊. 模式识别与人工智能. 2015(07)
[6]基于局部二值模式和深度学习的人脸识别[J]. 张雯,王文伟. 计算机应用. 2015(05)
[7]基于HOG金字塔人脸识别方法[J]. 杨冰,王小华,杨鑫,黄孝喜. 浙江大学学报(工学版). 2014(09)
[8]基于鉴别稀疏保持嵌入的人脸识别算法[J]. 马小虎,谭延琪. 自动化学报. 2014(01)
[9]张量局部Fisher判别分析的人脸识别[J]. 郑建炜,王万良,姚晓敏,石海燕. 自动化学报. 2012(09)
[10]基于HMM的单样本可变光照、姿态人脸识别[J]. 胡峰松,张茂军,邹北骥,马俊容. 计算机学报. 2009(07)
本文编号：3466096
【文章来源】：江西师范大学江西省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
孪生神经网络-Chopra结构图
基于目标空间构造的人脸识别研究112ap,0piiiLfxfxLx（2-10）2an,0niiiLfxfxLx（2-11）分析上述梯度可得出，正例样本的优化方向是向锚点靠近，而负例样本是在远离锚点，锚点的优化方向是根据正样本点和负样本点的位置取了一个折衷，但仍是靠近正样本点远离负样本点。该损失函数优化过程如图2-2所示。图2-2三元组损失优化示意图图中的圆圈代表同一类别，分别为锚点和正例点，方块为另外一个类别的负例点。当上述样本组合的位置关系不满足约束关系时，它们将根据损失函数产生的梯度优化自身的位置，使得同类别的样本间的距离更近，而不同类别的样本间的距离更远。三元组损失的优化目标是期望任意样本组合的类内距离均小于类间距离。相对于对比损失单方面优化正例对或者负例对，三元组损失采取同时优化正样本对和负样本对的方式进行训练。但该方法的实际代价非常大，三元组的组合数目会随着样本数和类别数的增加呈指数增加。例如有3个类别，每个类别都包含10个样本，可训练的三元组组合数是2700组。若全部训练这些样本组合，其训练代价非常庞大。因此如何挑选适当的三元组进行训练是该方法的一个难点。因此，FaceNet提出了半困难的样本组合，即选择正例对距离小于负例对距离但不满足边界约束的样本组合。但是该样本组合的生成方式需要依赖提前计算所有样本的位置关系，再挑选出符合条件的样本组合。该方法的代价仍然非常巨大，后续的改进方法也从三元组损失的固有缺点出发，分为改良约束条件和改良样本组合的选择策略。三元组损失有效利用了正样本对和负样本对之间的位置关系，使得模型优化的方向更有利于实现类内距离小于类间距离。该方法存在的主要缺陷是训练的组合数太过庞大，如何选择更有效的训练组合
的角度惩罚，使得局部样本组合的优化过程更易于收敛。改进约束条件的方法使得模型的收敛速度也有一定的提升。改进训练样本组合的方法近年来发展迅速，其中LiftedStruct[46]和RankedList[47]两种方法通过提高批样本组合的利用率获取更快的收敛速度。与它们相类似的方法也称为结构性损失。LiftedStruct的主要创新点在于其高效地利用了批样本。原先对比损失和三元组损失的优化的是两个或三个样本的位置关系，而批样本内部的样本之间并无直接关联性。LiftedStruct将样本位置关系拓展到了整个批样本内部，具体的改进过程如图2-3所示。图2-3结构性损失-Song示意图
【参考文献】：
期刊论文
[1]角度余量损失和中心损失联合的深度人脸识别[J]. 李振东,钟勇,陈蔓,王理顺. 计算机应用. 2019(S2)
[2]深度度量学习综述[J]. 刘冰,李瑞麟,封举富. 智能系统学报. 2019(06)
[3]基于集成人脸对距离学习的跨年龄人脸验证[J]. 吴嘉琪,景丽萍. 模式识别与人工智能. 2017(12)
[4]有遮挡人脸识别综述:从子空间回归到深度学习[J]. 李小薪,梁荣华. 计算机学报. 2018(01)
[5]多姿态人脸识别综述[J]. 邹国锋,傅桂霞,李海涛,高明亮,王科俊. 模式识别与人工智能. 2015(07)
[6]基于局部二值模式和深度学习的人脸识别[J]. 张雯,王文伟. 计算机应用. 2015(05)
[7]基于HOG金字塔人脸识别方法[J]. 杨冰,王小华,杨鑫,黄孝喜. 浙江大学学报(工学版). 2014(09)
[8]基于鉴别稀疏保持嵌入的人脸识别算法[J]. 马小虎,谭延琪. 自动化学报. 2014(01)
[9]张量局部Fisher判别分析的人脸识别[J]. 郑建炜,王万良,姚晓敏,石海燕. 自动化学报. 2012(09)
[10]基于HMM的单样本可变光照、姿态人脸识别[J]. 胡峰松,张茂军,邹北骥,马俊容. 计算机学报. 2009(07)
本文编号：3466096
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3466096.html
