×
Kan、Meina;吴俊廷;掸、石光;陈锡林

人脸识别的域自适应：将公共子空间桥接的源域目标化。 （英语） 兹比尔1328.68244

国际期刊计算。视觉。 109，编号1-2，94-109（2014）.
摘要：在许多应用中，由于两个域之间的不匹配，在源域学习但应用于新目标域的人脸识别模型甚至会显著退化。为了学习更好的目标域人脸识别模型，本文提出了一种简单有效的域自适应方法，将监督知识从标记的源域转移到未标记的目标域。我们的基本思想是将源域图像转换为目标域（以下称为目标域），同时保留其监督信息。为此，每个源域图像简单地表示为图像空间中稀疏目标域邻域的线性组合，但组合系数是在公共子空间中学习的。该策略背后的原理是，公共知识仅有利于准确的跨域重建，但对于目标域中的分类，目标域的特定知识也是必不可少的，因此应该大部分保留下来（通过本文中的图像空间目标化）。为了发现公共知识，特别是学习一个公共子空间，在该子空间中保持两个域的结构，同时减少源域和目标域的差异。该方法在三种人脸识别场景下进行了广泛评估，即跨视角区域自适应、跨种族区域自适应和跨成像条件区域自适应。实验结果表明，我们的方法优于其他竞争方法。

MSC公司：

68T45型 机器视觉和场景理解
68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统

关键词：

人脸识别;领域适应;公共子空间学习;确定源域目标

软件：

多-PIE;CMU项目;XM2VTSDB
PDF格式BibTeX公司 XML格式引用
\textit{M.Kan}等人，《国际计算杂志》。视觉。109，编号1--2，94-109（2014；Zbl 1328.68244）
全文： 内政部

参考文献：

[1] Belhumeur，P.N.、Hespanha，J.P.和；Kriegman，D.J.（1997）。特征脸与渔夫脸：使用特定类别的线性投影进行识别。IEEE模式分析和机器智能汇刊（T-PAMI），19（7），711-720·Zbl 05111919号 ·doi:10.1109/34.598228
[2] Ben-David，S.、Blitzer，J.、Crammer，K.和；Pereira，F.（2007）。领域适应的表示分析。神经信息处理系统进展NIPS，19，137–144。
[3] Bickel，S.、Brückner，M.和；Scheffer，T.（2009）。协变量转移下的判别学习。机器学习研究杂志（JMLR），10，2137–2155·Zbl 1235.62066号
[4] Blitzer，J.、McDonald，R.和；Pereira，F.（2006）。结构对应学习的领域适应。自然语言处理经验方法会议（EMNLP）（第120-128页）。
[5] 布鲁佐内（Bruzzone，L.）；Marconcini，M.（2010年）。领域自适应问题：一种dasvm分类技术和一种循环验证策略。IEEE模式分析和机器智能汇刊（T-PAMI），32（5），770–787·doi:10.10109/TPAMI.2009.57
[6] Chen，Y.、Wang，G.和；Dong，S.（2003）。使用渐进式转换支持向量机进行学习。模式识别字母（PRL），24（12），1845-1855·Zbl 01977703号 ·doi:10.1016/S0167-8655（03）00008-4
[7] Donoho，D.L.（2006）。对于大多数大型欠定线性方程组，最小l（{1}）1-范数解也是最稀疏解。《纯粹数学与应用数学交流》，59（6），797-829·Zbl 1113.15004号 ·doi:10.1002/cpa.20132年
[8] Duan，L.，Tsang，I.W.，Xu，D.和；马来亚银行，S.J.（2009）。用于视频概念检测的域转移支持向量机。IEEE计算机视觉和模式识别会议（CVPR）（第1375-1381页）。
[9] Duan，L.、Xu，D.、Tsang，I.和；Luo，J.（2012）。通过从网络数据中学习视频中的视觉事件识别。IEEE模式分析和机器智能汇刊（T-PAMI），34（9），1667-1680·doi:10.1109/TPAMI.2011.265
[10] Dudák，M.、Schapire，R.E.和；Phillips，S.J.（2005）。修正最大熵密度估计中的样本选择偏差。神经信息处理系统（NIPS）进展，17，323–330。
[11] Efron，B.、Hastie，T.、Johnstone，I.和；Tibshirani，R.（2004）。最小角度回归。《统计年鉴》，39（4），407-499·Zbl 1091.62054号
[12] 高，X，王，X，李，X，&；Tao，D.（2011）。基于散度分析的传递潜变量模型。模式识别（PR），44（10–11），2358–2366·Zbl 1218.68122号 ·doi:10.1016/j.patcog.2010.06.013
[13] 耿，B.，陶，D.，&；Xu，C.（2011）。Daml：领域适应度量学习。IEEE图像处理汇刊（T-IP），20（10），2980–2989·兹比尔1372.68222 ·doi:10.10109/TIP.2011.2134107
[14] 龚，B.，石，Y.，沙，F.，&；Grauman，K.（2012年）。无监督域自适应的测地流核。IEEE计算机视觉和模式识别会议（CVPR），2066–2073。
[15] Gopalan，R.、Li，R.&amp；Chellappa，R.（2011）。对象识别的域自适应：一种无监督方法。IEEE国际计算机视觉会议（ICCV）（第999-1006页）。
[16] Gretton，A.、Smola，A.、Huang，J.、Schmittfull，M.、Borgwardt，K.和；Schölkopf，B.（2009年）。通过核均值匹配实现协变量偏移。机器学习中的数据集转换（第131-160页）。剑桥：麻省理工学院出版社。
[17] Gross，R.、Matthews，I.、Cohn，J.、kanada，T.和；Baker，S.（2007）。cmu多糖、照明和表情（多ie）人脸数据库。卡内基梅隆大学机器人研究所技术代表。TR-07-08。
[18] DI哈尔。（2009年）。具有潜在层次结构的贝叶斯多任务学习。人工智能不确定性会议（UAI）（第135–142页）。
[19] 他、X、&；Niyogi，P.（2004）。保留位置的投影。神经信息处理系统进展NIPS，16，153-160。
[20] Huang，J.、Smola，A.J.、Gretton，A.、Borgwardt，K.M.和；Schölkopf，B.（2006年）。通过未标记数据纠正样本选择偏差。神经信息处理系统（NIPS）进展。
[21] Huang，K.和；Aviyente，S.（2007）。信号分类的稀疏表示。神经信息处理系统进展NIPS，19609-616。
[22] 伊利诺伊州Jhuo。，Liu，D.，Lee，D.T.和；Chang，S.F.（2012）。具有低阶重建的鲁棒视觉域自适应。在IEEE计算机视觉和模式识别会议（CVPR）上（第2168-2175页）。
[23] Jia，Y.，Nie，F.和；Zhang，C.（2009年）。跟踪比率问题再次出现。IEEE神经网络汇刊（T-NN），20（4），729–735·doi:10.1109/TNN.2009.2015760
[24] Liu，C.和；Wechsler，H.（2002）。使用增强的fisher线性判别模型进行基于Gabor特征的人脸识别。IEEE图像处理学报（T-IP），11（4），467–476·Zbl 05453130号 ·doi:10.1109/TIP.2002.9999679
[25] Mehrotra，R.、Agrawal，R.和Haider，S.A.（2012年）。基于字典的域自适应稀疏表示。在ACM信息和知识管理国际会议（CIKM）上（第2395-2398页）。
[26] Messer，K.、Matas，M.、Kittler，J.、Lttin，J.和；Maitre，G.（1999）。Xm2vtsdb：扩展的m2vts数据库。在基于音频和视频的生物特征身份验证（AVBPA）国际会议上（第72-77页）。
[27] Pan，S.J.和；杨琼（2010）。关于迁移学习的调查。IEEE知识与数据工程学报（T-KDE），22（10），1345-1359·doi:10.1109/TKDE.2009.191
[28] Pan，S.J.、Kwok，J.T.和；Yang，Q.（2008）通过降维转移学习。在AAAI人工智能会议（AAAI）上（第677-682页）。
[29] Pan，S.J.，Tsang，I.W.，Kwok，J.T.，Yang，Q.（2009）。通过传输组件分析进行域自适应。国际人工智能联合会议（IJCAI）（第1187-1192页）。
[30] Pan，S.J.，Tsang，I.W.，Kwok，J.T.和；杨琼（2011）。通过传输组件分析进行域自适应。IEEE神经网络汇刊（T-NN），22（2），199-210·doi:10.1109/TNN.2010.2091281
[31] Phillips，P.J.、Flynn，P.J、Scruggs，T.、Bowyer，K.W.、Chang，J.、Hoffman，K.等人（2005年）。人脸识别大挑战概述。IEEE计算机视觉和模式识别会议CVPR，1947–954。
[32] Qiu，Q.、Patel，V.M.、Turaga，P.和；Chellappa，R.（2012年）。领域自适应词典学习。在欧洲计算机视觉会议（ECCV）上（第631-645页）。
[33] Raina，R.、Battle，A.、Lee，H.、Packer，B.、Ng，A.Y.（2007年）。自学学习：从未标记数据中转移学习。在国际机器学习会议（ICML）上（第759-766页）。
[34] Roweis，S.T.，&；Saul，L.K.（2000）。局部线性嵌入的非线性降维。科学，290（5500），2323-2326。
[35] Shao，M.、Castillo，C.、Gu，Z.、Fu，Y.（2012）。低秩转移子空间学习。IEEE国际数据挖掘会议（ICDM）（第1104–1109页）。
[36] Shi，Y.和；Sha，F.（2012）。非监督领域适应的区分性集群的信息理论学习。在国际机器学习会议（ICML）上。
[37] Hidetoshi Shimodaira。(2000). 通过加权对数似然函数改进协变量移位下的预测推断。统计规划与推断杂志，90（2），227-244·Zbl 0958.62011号
[38] Si，S.，Tao，D.和；Geng，B.（2010年）。传递子空间学习中基于Bregman发散的正则化方法。IEEE知识与数据工程学报T-KDE，22（7），929-942·doi:10.1109/TKDE.2009.126
[39] Si，S.，Liu，W.，Tao，D.和；Chan，K.P.（2011）。黎曼对称空间中的分布校正。IEEE系统、人与控制论汇刊，B部分，41（4），921-930·doi:10.1109/TSMCB.2010.2100042
[40] Su，Y.，Shan，S.，Chen，X.，&；Gao，W.（2009）。用于人脸识别的全局和局部分类器的层次集成。IEEE图像处理汇刊T-IP，18（8），1885-1896·Zbl 1371.94355号 ·doi:10.1109/TIP.2009.2021737
[41] Sugiyama，M.、Nakajima，S.、Kashima，H.、Buenau，P.V.和；Kawanabe，M.（2008年）。模型选择的直接重要性估计及其在协变量偏移自适应中的应用。In：神经信息处理系统进展NIPS，201433-1440。
[42] Sugiyamai，M.、Krauledat，M.和；Müller，K.R.（2007）。通过重要性加权交叉验证实现协变量移位适应。机器学习研究杂志（JMLR），8985–1005·Zbl 1222.68313号
[43] Turk，M.A.和；Pentland，A.P.（1991）。使用特征脸的人脸识别。IEEE计算机视觉和模式识别会议（CVPR），591，586–591。
[44] Uribe，D.（2010年）。情感分类中的领域适应。在机器学习和应用国际会议（ICMLA）上（第857-860页）。
[45] Wang，H.，Yan，S.，Xu，D.，Tang，X.，&；Huang，T.（2007）。用于降维的跟踪比率与比率跟踪。IEEE计算机视觉和模式识别会议（CVPR）（第1-8页）。
[46] Wang，Z.，Song，Y.，Zhang，C.（2008）。传递的维度约简。在欧洲数据挖掘和知识发现原则会议（PKDD）上（第550-565页）。
[47] Wright，J.、Yang，A.Y.、Ganesh，A.、Sastry，S.S.和；Ma，Y.（2009年）。基于稀疏表示的鲁棒人脸识别。IEEE模式分析和机器智能汇刊（T-PAMI），31（2），210–227·doi:10.1109/TPAMI.2008.79
[48] 仙交通，U.（2006）。http://www.aiar.xjtu.edu.cn/dfrlsjk5.htm .
[49] Xue，Y.，Liao，X.，Carin，L.和；Krishnapuram，B.（2007年）。基于dirichlet过程先验的多任务分类学习。机器学习研究杂志（JMLR），8，35–63·Zbl 1222.68338号
[50] 扎德罗兹尼；比安卡（2004）。在样本选择偏差下学习和评估分类器。《机器学习国际会议论文集》（第114页）。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。