一种基于图卷积神经网络的人脸聚类方法技术

本发明专利技术属于人脸聚类技术领域，具体涉及一种基于图卷积神经网络的人脸聚类方法。本发明专利技术首先对人脸数据做特征提取，把人脸特征看成节点，计算所有节点的局部密度值；然后，基于局部密度值将数据划分为高密度节点和低密度节点两部分，高密度节点连接最近邻中同为高密度的节点，形成多个聚类中心；为低密度节点构造自适应子图，作为图卷积神经网络的输入，预测节点间的连通性；最后，将两部分合并后使用伪标签传播将不符合要求的边切除，获取最终的聚类结果。本发明专利技术基于密度将数据划分为两部分，仅对低密度部分构建子图进行推理，提高了聚类的效率，同时自适应子图能够提取更为丰富的上下文信息，使得对子图的推理更为准确，提高了聚类的准确度。类的准确度。类的准确度。

【技术实现步骤摘要】
一种基于图卷积神经网络的人脸聚类方法


[0001]本专利技术属于人脸聚类
，具体涉及一种基于图卷积神经网络的人脸聚类方法。

技术介绍

[0002]随着科技的发展，人脸识别技术逐渐得到普及，并且被广泛应用于航天、娱乐、教育、安防等领域，人脸识别技术的性能也逐渐得到提高，但是，当前人脸识别技术的高准确率依赖于大规模的人脸标注数据集，有标注的人脸数据集越多效果越好，虽然未标注数据能够轻易的从互联网中获取，但是人工标注不仅耗时，而且价格昂贵。为了利用这些未标注数据，人脸聚类方法是一个好的选择。
[0003]目前人脸聚类及技术应用广泛，一些常用场景包括对相册中人脸进行分组和标记，构建大规模数据集时数据清洗以及新零售顾客管理等等。传统的聚类方法存在局限性，如Spectral Clustering对参数选择比较敏感，K
‑
means要求数据集是凸数据集，DBSCAN要求数据分布比较均匀。在进行人脸聚类时往往效果不佳，并且在面对大规模人脸数据集的时候时间复杂度过高。相比之下，许多链路预测的方法对数据结构没有要求，能够得到更好的聚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的人脸聚类方法，其特征在于，包括以下步骤：步骤1：对原始人脸数据集进行处理，提取人脸特征；步骤2：将每个人脸特征看成是一个节点，采用最近邻搜索计算出每个节点的最近邻的k个邻居节点；步骤3：计算每一个节点的局部密度值；对于每个节点i，遍历其最近邻的k个邻居节点，计算这k个邻居节点中与节点i的欧氏距离小于截断距离E0的节点数，即为节点i的局部密度值ρ
i
，该过程表示为：其中，E0表示预先设置的截断距离；d
ij
表示节点i和节点j的欧氏距离；步骤3：将节点根据局部密度值按从大到小的顺序排序，根据设定的阈值划分为高密度节点和低密度节点；步骤4：高密度节点身处聚类的中心区域，具有强连通性，属于强连通区域；遍历强连通区域的每个节点，如果该节点最近邻的m个节点中存在某个节点属于强连通区域，同时这两个节点之间的距离小于截断距离E0，则将这两个节点划分为同一个高密度聚类中心，这个过程不断持续，直到所有强连通区域的节点都被遍历完毕，高密度节点形成不同的聚类中心；m为预先设定的值，且m≤k；步骤5：对低密度节点进行处理，为低密度节点构建自适应子图，使用图卷积神经网络对自适应子图进行推理，获取节点间的连通性；步骤5.1：为低密度节点构建自适应子图，构建完成后得到特征矩阵F＝[f1,f2,f3,...,f
v
]
T
和邻接矩阵A∈R
|V|
×
|V|
；V表示自适应子图中的节点集合；步骤5.2：将特征矩阵和邻接矩阵输入图卷积神经网络，图卷积网络聚合节点上下文信息，能够判断一个节点与中枢节点之间是否存在连接，图卷积层输出变换后的特征矩阵Y；Y＝σ([F||GF]W)其中，W为可学习的权重参数矩阵；是一个聚合矩阵，Λ是对角矩阵；操作符||表示将矩阵沿着特征维度拼接；...

【专利技术属性】
技术研发人员：初妍，李龙，赵庆超，莫士奇，李思纯，李松，时洁，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：