论文部分内容阅读
人脸识别是计算机视觉中应用最广泛也是最重要的领域之一,在安防监控,员工考勤,远程用户身份验证,金融支付甚至娱乐社交等领域都已经催生了相关应用。人脸识别的研究已经持续了数十年,从最早的特征脸算法到如今的卷积神经网络算法,得益于硬件计算能力的提高,大数据的支持以及深度学习算法,以人脸识别为代表的计算机视觉技术再次走进了人们的视野。尽管人脸识别的相关领域,比如不同表情和姿态下的人脸识别已经取得了相当不错的进展,年龄不变人脸识别领域,或者说跨年龄人脸识别领域,仍然是一个挑战。如今跨年龄识别领域已经变得越来越重要,并且有广泛的应用,比如寻找失踪儿童,识别罪犯以及护照身份验证等。在这篇论文中,基于深度学习的相关理论与方法,提出一种新颖的神经网络模型,耦合自编码器神经网络,来处理年龄不变人脸识别问题。本文主要的工作及创新点如下:1、采用深度学习中的自编码器进行建模。自编码器是深度学习中无监督学习最具代表性的模型之一,可以从输入(比如图像)中学习隐含表达。2、观察到年龄变化是一个非线性的,但是平滑的变换。同时,因为单隐层神经网络具有拟合任意复杂平滑函数的能力,因此本文采用两个浅层神经网络来拟合这样的复杂的非线性变换,一个拟合老化(aging)过程,一个拟合去老化(de-aging)过程。3、结合以上两点,提出了耦合自编码器神经网络(Coupled Auto-encoder Networks,CAN),该网络由两个自编码器被两个单层神经网络相连而成。4、基于CAN,一种非线性的隐因子分析算法被提出,可以将人脸表达分解为三个成分:身份特征,年龄特征和噪声,其中身份特征是独立于年龄变化的,因此可以用来做年龄不变人脸识别。5、针对提出的CAN模型,提出一种两步学习算法来训练该模型,进而提取身份特征。6、在三个公开的跨年龄人脸数据集上进行了识别和检索等实验,分别是FGNET,CACD和CACD-VS,实验结果显示了提出的方法的有效性。