隨著時(shí)代的發(fā)展,人工智能成為了當(dāng)今時(shí)代最熱門的話題之一�？缒挲g人臉識(shí)別作為人臉識(shí)別的一個(gè)分支,在實(shí)際生活中有著巨大的實(shí)際意義和理論價(jià)值,比如尋找走失多年的兒童,識(shí)別出潛逃多年的罪犯以及海關(guān)中的護(hù)照身份驗(yàn)證等。雖然跨年齡人臉識(shí)別領(lǐng)域在這幾年取得了顯著的成果,然而,由于人臉老化的復(fù)雜性,跨年齡人臉識(shí)別仍然面臨著巨大的挑戰(zhàn)。人臉老化是一個(gè)復(fù)雜且連續(xù)的非線性變化過程,人臉外貌會(huì)在形狀和紋理等方面隨著年齡的增長發(fā)生顯著的變化,甚至?xí)霈F(xiàn)類內(nèi)距離大于類間距離的情況,并且不同人的老化過程又不相同,因此對人臉老化建模是一個(gè)十分復(fù)雜且困難的過程。針對這些困難,本文進(jìn)行了相關(guān)研究。本文結(jié)合子空間的直和與同時(shí)進(jìn)行人臉身份識(shí)別和年齡分類這兩個(gè)任務(wù)的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò),提出了特征子空間直和的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)模型（Feature Subspace with Direct Sum CNN,FSDS-CNN）。利用多任務(wù)學(xué)習(xí),我們可以同時(shí)得到身份相關(guān)特征和年齡相關(guān)特征。本文在此基礎(chǔ)上引入直和模塊以對這兩個(gè)特征子空間進(jìn)行直和約束,使得兩個(gè)特征之間的冗余成分在一定程度上被有效去除,即身份特征內(nèi)的年齡成分被有效地剔除。從... 

【文章來源】：江西師范大學(xué)江西省

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

跨年齡人臉識(shí)別的典型例子

碩士學(xué)位論文14(-)()(1())jjjjjLyyfzfzb=-(2-19)通過以上步驟，便可得到hjw和jb，再將其代入公式(2-10)和(2-11)即可利用梯度下降算法進(jìn)行參數(shù)的更新運(yùn)算。以上只是一個(gè)簡單的三層神經(jīng)網(wǎng)絡(luò)的反向傳播過程，在實(shí)際使用當(dāng)中的神經(jīng)網(wǎng)絡(luò)往往具有更深、更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，但本質(zhì)還是通過反向傳播算法以及梯度下降算法進(jìn)行網(wǎng)絡(luò)參數(shù)的更新與計(jì)算。2.3跨年齡人臉識(shí)別的相關(guān)方法為了處理因老化引起的人臉外貌變化對人臉識(shí)別造成的影響，跨年齡人臉識(shí)別領(lǐng)域的研究學(xué)者們先后提出了許多基于生成類的方法和判別類的方法。本節(jié)將介紹深度學(xué)習(xí)中基于生成類和判別類的幾個(gè)典型模型。2.3.1生成類方法生成類方法的主要思想是先根據(jù)年輕人臉生成目標(biāo)年齡下的老化人臉，之后再進(jìn)行人臉識(shí)別從而實(shí)現(xiàn)消除人臉老化造成的影響。借助生成對抗網(wǎng)絡(luò)GAN的強(qiáng)大的生成圖片的能力，Yang等人[22]提出了一種具有金字塔結(jié)構(gòu)的GAN來生成逼真的人臉老化圖片。模型整體框架如圖2-5所示。圖2-5具有金字塔結(jié)構(gòu)的生成對抗網(wǎng)絡(luò)框架[22]。為了實(shí)現(xiàn)在人臉準(zhǔn)確老化的同時(shí)保證目標(biāo)個(gè)人的身份信息不會(huì)丟失，模型使用了多個(gè)約束共同實(shí)現(xiàn)模型的訓(xùn)練。具體的，為了避免GAN訓(xùn)練過程中常見的難以訓(xùn)練的問題，模型使用了最小二乘損失代替負(fù)對數(shù)似然函數(shù)來定義生成對抗損失函數(shù)：()()2_~22~1[((())1)]21[((()))(())]2oldxyoungxGANDxPwagexPwagewageEDxEDGxDxfff=-++L(2-20)

碩士學(xué)位論文16圖2-6DAL模型整體框架[27]。idagex=x+x(2-26)(),().ageidxRxxxRx==-(2-27)其中idx和agex分別為身份相關(guān)特征和年齡相關(guān)特征，R(x)為一映射函數(shù)用來提取x中的年齡相關(guān)特征。由于此時(shí)的idx和agex之間沒有任何約束，兩者之間往往存在著潛在的相關(guān)性，因此模型通過去相關(guān)對抗學(xué)習(xí)來降低兩者之間的相關(guān)性。具體的，模型首先通過一個(gè)線性的典型映射模塊將idx和agex映射為典型變量idv和agev，公式如下：T{,}:()tttt"tidagev=Cx=wx(2-28)其中C(×)為典型映射模塊，idw和agew為典型映射模塊的可學(xué)習(xí)參數(shù)。之后，模型定義了如下典型相關(guān)性：(,)=()()idageidageCovvvVarvVarvr(2-29)在該定義的基礎(chǔ)上，模型先是通過更新典型映射模塊C(×)找到|r|的最大值，然后通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)F(×)和殘差分解模塊來降低這個(gè)|r|的最大值。通過該對抗訓(xùn)練的方式，模型最終能夠有效降低idx和agex之間的相關(guān)性。于是有下列去相關(guān)對抗學(xué)習(xí)損失：,=minmax(|((()(())),((())))|)DALFRCLrCFp-RFpCRFp(2-30)之后通過多任務(wù)學(xué)習(xí)，即CosFaceLoss進(jìn)行身份識(shí)別任務(wù)，Softmax交叉熵?fù)p失進(jìn)行年齡分類任務(wù)，最終有下列聯(lián)合多任務(wù)損失：12=()()(,)IDidSMageDALidageLLx+lLx+lLxx(2-31)

【參考文獻(xiàn)】：
期刊論文
[1]基于PCA和SVM分類的跨年齡人臉識(shí)別[J]. 汪雯琦,高廣闊.  計(jì)算機(jī)時(shí)代. 2019(07)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的跨年齡人臉識(shí)別系統(tǒng)研究[J]. 李帥,席志紅.  無線電工程. 2019(07)
[3]基于多子空間直和特征融合的人臉識(shí)別算法[J]. 葉繼華,萬葉晶,劉長紅,李漢曦,王仕民.  數(shù)據(jù)采集與處理. 2016(01)
[4]維數(shù)公式與子空間直和的等價(jià)條件[J]. 孫宗明,李振國,梅門昌.  長沙大學(xué)學(xué)報(bào). 1998(02)

碩士論文
[1]基于生成對抗網(wǎng)絡(luò)的跨年齡人臉識(shí)別技術(shù)研究[D]. 董鎖芹.長春理工大學(xué) 2019
[2]基于正則化的半監(jiān)督多任務(wù)學(xué)習(xí)算法研究[D]. 賈雪闊.云南大學(xué) 2019
[3]跨年齡人臉識(shí)別技術(shù)的研究[D]. 于金彪.北京交通大學(xué) 2019
[4]基于深度學(xué)習(xí)的跨年齡人臉識(shí)別問題[D]. 鄭天悅.北京郵電大學(xué) 2019
[5]基于深度特征選擇與映射的跨年齡人臉檢索[D]. 湯凱華.上海交通大學(xué) 2018
[6]基于HLA的多嵌入式人臉識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D]. 夏國淼.江西師范大學(xué) 2014



本文編號(hào)：3595986