迁移学习模型下的小样本人脸识别算法

被引：16

作者：

黄振文 ^{[1
]}

谢凯 ^{[1
]}

文畅 ^{[2
]}

盛冠群 ^{[1
]}

文方青 ^{[1
]}

机构：

[1] 长江大学电子信息学院

[2] 长江大学计算机科学学院

来源：

长江大学学报(自然科学版) | 2019年 / 16卷 / 07期

关键词：

人脸识别; 卷积神经网络; 小样本; 受限玻尔兹曼机RBM; 迁移学习; BP算法;

D O I：

10.16772/j.cnki.1673-1409.2019.07.017

中图分类号：

TP391.41 []; TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

人脸识别的效果在很大程度上取决于已经标定的数据集,当试验训练数据不足时其识别效果会很差。为解决数据集不足的问题,提出了一种迁移学习模型下的小样本人脸识别算法。在将预先训练的卷积神经网络迁移到小样本人脸目标集时使用受限玻尔兹曼机RBM,将训练模型中的全连接层改为RBM,并用小样本人脸数据重新训练RBM和SoftMax层,最后用BP算法进行参数调整。加入的RBM能进一步学习小样本人脸的高阶特征,降低了人脸数据集的内容差异对迁移特征识别的影响。试验选用包含1040人的CAS-PEAL人脸图像数据库及试验室收集的40张人脸进行训练、验证和测试,试验结果表明,用RBM代替CNN中的全连接层的方法,与PCA、BP和LBP网络模型相比,人脸识别的有效率提高了2.1%～8.3%,是一种切实可行的小样本的人脸识别方法。

引用

页码：88 / 94

页数：7

共 12 条

[1]

小样本情况下特征抽取算法与人脸识别研究 [D].

卢桂馥 .

南京理工大学,

2012

[2]

一种新的基于无损失函数的深度卷积神经网络的图像特征提取方法 [D].

李子强 .

山东大学,

2017

[3]

On the importance of hidden bias and hidden entropy in representational efficiency of the Gaussian-Bipolar Restricted Boltzmann Machines.[J].Altynbek Isabekov;Engin Erzin.Neural Networks.2018,

[4]

Multi-modality image fusion based on enhanced fuzzy radial basis function neural networks.[J].Zhen Chao;Dohyeon Kim;Hee-Joung Kim.Physica Medica.2018,

[5]

Hidden Markov model analysis reveals the advantage of analytic eye movement patterns in face recognition across cultures.[J].Tim Chuk;Kate Crookes;William G. Hayward;Antoni B. Chan;Janet H. Hsiao.Cognition.2017,

[6]

Facial expression feature extraction using hybrid PCA and LBP [J].