这\(^{[1]}\)是一篇关于如何使用高维度特征在人脸验证中的文章,作者以主要LBP为例子,论述了高维特征和验证性能存在着正相关的关系,即人脸维度越高,验证的准确度就越高。由于那时候没有用DeepLearning在LAWF上测试精度就能达到很高的精度95+%,受到了很多人的关注。而有些开源库已经实现了这篇文章的特征提取方法,例如dlibgithub的开源项目。注意他们只是实现了高维特征的提取,并没有实现降维的算法。接下来总结一下学习的笔记。

算法的主要内容和步骤如下:首先.提取高维特征;接着.学习降维矩阵;最后提取低维特征。

1.提取高维特征

如图下所示,提取高维特征的基本思路为:

  a.检测人脸的对齐点(Landmarks,如图所示的黄色十字点);Landmark是刻画人脸的重要表征,因此准确的检测它们,并在这些点上提取相应的特征是非常有利于人脸识别的。

  b.对人脸图像构造若干层(4-5层不等)金字塔图像(即多尺度缩放人脸),在每层图像上采用不同数量的对齐点(如下图所示,一般不考虑人脸外围的Landmarks(背景的影响较大),而是使用人脸内部的Landmarks(更具代表人脸特征))

  c.将各层提取得到的特征,按照顺序拼接起来便得到高维度的金字塔LBP特征向量。

  具体的实现请参考例如dlibgithub的开源项目。选取的Landmarks和文章略有不同。如此下来,高维度的特征向量\(X\)的维度可以达到非常高的维度,10k-100k不等。而降低维度更有利于分类器的学习和距离的比较。接下来就是如何学习一个有效的降维矩阵\(B\),使得降维后的特征向量\(Y=BX\)。

2.学习降维矩阵

  降维矩阵\(B\)的学习思路非常的简单,如下图所示,学习的步骤如下:

  a. 假设参照1.提取高维特征提取特征方法,采集了若干个人的\(N\)张图片提取得到的高维度集合\( X=\left [ x_{1},x_{2},...,x_{N} \right ] \)。

  b. 对\(  X \)利用PCA降维度,再用监督的子空间学习\(^{[2-3]}\)得到相应的特征集合\( Y=\left [ y_{1},y_{2},...,y_{N} \right ] \)。

   c. 利用数据\(  X ,Y\),最优化以下的目标函数,得到最优的变换矩阵\(B\):

\(\lim_{R,B} {\left | R^{T}Y-B^{T}X \right |_{2}^{2}} + \lambda \left | B \right |_{1} \quad  s.t. R^{T}R=I\)

   \(R\)表示旋转矩阵,使用\(R\)的主要原因是因为在子空间中的距离测度是具有旋转不变性的;\(B\)表示降维矩阵。求解的过程也很常用的手段,即固定\(R\)求解\(B\),固定\(B\)求解\(R\),如此迭代多次就能达到收敛。

3. 提取低维特征

  如上图所示,提取低纬度特征的步骤如下:

  a. 对于测试图片,参照1.提取高维特征提取特征\(x_{t}\)。

  b. 利用变换矩阵\(B\),对\(x_{t}\)降维,得到\(y_{t} = B x_{t}\)。

参考论文

[1]. D. Chen, X. Cao, F. Wen, J. Sun. Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification. Computer Vision and Pattern Recognition (CVPR), 2013.

[2]. P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Trans on PAMI, 1997.

[3]. D. Chen, X. Cao, L. Wang, F. Wen, and J. Sun. Bayesian face revisited: A joint formulation. In European Conference on Computer Vision, pages 566–579, 2012.

"Blessing of Dimisionality: High Dimensional Feature and Its Efficient Compression for Face Verification"学习笔记的更多相关文章

  1. ufldl学习笔记和编程作业:Feature Extraction Using Convolution,Pooling(卷积和汇集特征提取)

    ufldl学习笔记与编程作业:Feature Extraction Using Convolution,Pooling(卷积和池化抽取特征) ufldl出了新教程,感觉比之前的好,从基础讲起.系统清晰 ...

  2. Git学习笔记(6)——Bug和Feature分支

    本文主要记录了通过Git来调试Bug和添加新的功能,也就是Bug分支和Feature分支,以及分支的推送. Bug分支 通过Git,我们可以为每个Bug建立一个分支,Bug修复后,合并分支,然后将临时 ...

  3. 学习笔记之 初试Caffe,Matlab接口提取feature

    Caffe 提供了matlab接口,可以用于提取图像的feature.

  4. OpenLayers学习笔记(五)— 拖拽Feature图层

    参考文档的例子可以知道如何拖动矢量图层feature GitHub: 八至 作者:狐狸家的鱼 本文链接:拖拽Feature图层 全部代码 <!DOCTYPE html> <html& ...

  5. OpenCV 学习笔记 06 SIFT使用中出现版权问题error: (-213:The function/feature is not implemented)

    1 错误原因 1.1 报错全部信息: cv2.error: OpenCV(4.0.1) D:\Build\OpenCV\opencv_contrib-4.0.1\modules\xfeatures2d ...

  6. Asp.net core 学习笔记 ( Area and Feature folder structure 文件结构 )

    2017-09-22 refer : https://msdn.microsoft.com/en-us/magazine/mt763233.aspx?f=255&MSPPError=-2147 ...

  7. 学习笔记(五): Feature Crosses

    目录 Feature Crosses Encoding Nonlinearity Kinds of feature crosses Glossay Crossing One-Hot Vectors P ...

  8. 学习笔记(四): Representation:Feature Engineering/Qualities of Good Features/Cleaning Data/Feature Sets

    目录 Representation Feature Engineering Mapping Raw Data to Features Mapping numeric values Mapping ca ...

  9. git 学习笔记--Feature分支

    软件开发中,总有无穷无尽的新的功能要不断添加进来. 添加一个新功能时,你肯定不希望因为一些实验性质的代码,把主分支搞乱了,所以,每添加一个新功能,最好新建一个feature分支,在上面开发,完成后,合 ...

随机推荐

  1. python实现单单链表

    # -*- coding: utf-8 -*- # @Time : 2018/9/28 22:09 # @Author : cxa # @File : node.py # @Software: PyC ...

  2. Effective STL 学习笔记 Item 16:vector, string & C API

    有时需要支持 C 的接口,但这并不复杂. 对于 vector 来讲, \(v[0]\) 的地址 \(\&v[0]\) 即可作为数组指针传递给 C API: 1: // Legacy C API ...

  3. ObjectInputStream与ObjectOutputStream

    雇员类 package io; import java.io.Serializable; @SuppressWarnings("serial") public class Emp ...

  4. Java与Redis

    1.下载Java使用Redis架包并引入 jedis-2.9.0.jar 2.用Java使用Redis如下: package com.jef.redis; import redis.clients.j ...

  5. ASP.NET Identity 修改表名和主键类型

    public class UserLogin : IdentityUserLogin<Guid> { } public class UserRole : IdentityUserRole& ...

  6. Web Api 的 路由机制

    ASP.NET Web API 是一种框架,用于轻松构建可以访问多种客户端(包括浏览器和移动设备)的 HTTP 服务. ASP.NET Web API 是一种用于在 .NET Framework 上构 ...

  7. 安装caffe框架所需文件

    安装caffe框架所需文件: 1.微软提供的快速卷积神经网络框架caffe-master安装包或者windows提供的caffe-windows安装包. 链接:http://pan.baidu.com ...

  8. 移动端css单位之 “vh” & “vw”

    一.前言: 响应式web设计离不开百分比.但是,CSS百分比并不是所有的问题的最佳解决方案.CSS的宽度是相对于包含它的最近的父元素的宽度的.但是如果你就想用视口(viewpoint)的宽度或者高度, ...

  9. ODBC在注册表中的位置

    增加一个oracle的odbc regedit打开注册表 64位 :HKEY_LOCAL_MACHINE -> SOFTWARE -> 32位: HKEY_LOCAL_MACHINE -& ...

  10. too many open file /etc/security/limits.conf

      当出现too mang open file 时更改/etc/profile中的ulimit -n 65536 ,查看   然后ssh进去,或者退出之后重新登录使之生效                ...