The invention discloses a method, a combined embedded face recognition and clustering include: the target sample image, image, positive samples and negative sample images as three tuple, definition three tuple loss; positive sample and negative sample selection of image image in violation of the three tuple constraints from three tuples, as a critical positive sample image the critical and negative sample image; on the critical negative samples were screened to obtain semi critical negative image sample image; embedding function model on the critical negative sample image study, in order to speed up the convergence speed of the training model, and avoid the folding model; trade-offs between the classification accuracy and the second floating-point calculation, the depth of the neural network from 6 kinds of depth in a neural network model selection; training model and tested on the test set, the test model accuracy, choice of embedding dimension. The invention directly optimizes the embedding function itself, reduces the dimension of the representation vector, and makes the face verification, face recognition, and clustering tasks simple.
【技术实现步骤摘要】
一种面部识别和聚类的联合嵌入方法
本专利技术涉及面部识别领域,尤其涉及一种面部识别和聚类的联合嵌入方法。
技术介绍
现有技术中存在多种对面部识别的方法,包括如下:基于深度神经网络的方法采用了分类层,该分类层在由已知面孔构成的训练集上训练得到。此外,还采用了中间瓶颈层作为表示向量来进行泛化,从而使分类层能更好地识别新面孔,这种方法的缺点是间接性和低效性:该方法要求中间瓶颈层的表示向量对于新面孔的泛化效果足够好,此外,每个面孔的瓶颈层的表示向量的维数通常很大。还有一些方法采用主成分分析(PrincipalComponentAnalysis,PCA)进行降维,如:参考文献[1,2,3]的工作都采用多级复杂系统,将深层卷积网络的输出、与用于降维的PCA、以及用于分类的SVM(支持向量机)组合。然而主成分分析方法只是简单的线性变换,可以很容易的在网络中的某一层学习得到。Sun等人[1]提出一个紧凑,相对低廉的计算网络。主要区别是仅比较图像对,而缺点是相对距离约束较小。
技术实现思路
本专利技术提供了一种面部识别和聚类的联合嵌入方法,本专利技术避免了中间瓶颈层,直接优化嵌入函数本身,降低了表示向量的维数,使得面部验证、面部识别、以及聚类任务变得简单,详见下文描述:一种面部识别和聚类的联合嵌入方法,所述方法包括以下步骤:将目标样本图像、正样本图像、以及负样本图像作为三元组,定义三元组的损失;从三元组中选择违反三元组等式约束的正样本图像与负样本图像,作为临界正样本图像与临界负样本图像;对临界负样本图像进行筛选获取半临界负样本图像;对半临界负样本图像进行嵌入函数模型的学习,以此 ...
【技术保护点】
一种面部识别和聚类的联合嵌入方法,其特征在于,所述方法包括以下步骤:将目标样本图像、正样本图像、以及负样本图像作为三元组,定义三元组的损失,用于得到嵌入函数后对模型进行评估;从三元组中选择违反三元组等式约束的正样本图像与负样本图像,作为临界正样本图像与临界负样本图像;对临界负样本图像进行筛选获取半临界负样本图像;对半临界负样本图像进行嵌入函数模型的学习,以此加快训练模型的收敛速度,同时避免折叠模型;在分类准确率和每秒浮点计算量间进行权衡,从6种深度神经网络模型中进行深度神经网络的选择;训练模型并在测试集上进行测试,测试模型准确度、选择嵌入维度。
【技术特征摘要】
1.一种面部识别和聚类的联合嵌入方法,其特征在于,所述方法包括以下步骤:将目标样本图像、正样本图像、以及负样本图像作为三元组,定义三元组的损失,用于得到嵌入函数后对模型进行评估;从三元组中选择违反三元组等式约束的正样本图像与负样本图像,作为临界正样本图像与临界负样本图像;对临界负样本图像进行筛选获取半临界负样本图像;对半临界负样本图像进行嵌入函数模型的学习,以此加快训练模型的收敛速度,同时避免折叠模型;在分类准确率和每秒浮点计算量间进行权衡,从6种深度神经网络模型中进行深度神经网络的选择;训练模型并在测试集上进行测试,测试模型准确度、选择嵌入维度。2.根据权利要求1所述的一种面部识别和聚类的联合嵌入方法,其特征在于,所述目标样本图像是在所述正样本图像与所述负样本图像之间强制的余量;所述正样本图像与所述目标样本图像来自于同一人,所述负样本图像与所述目标样本图像来自不同人。3.根据权利要求1所述的一种面部识别...
【专利技术属性】
技术研发人员:聂为之,刘琛琛,刘安安,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。