PDF《指导教师：杨涛》

易等人【51】 使用 3D 可变模型来评估人脸姿态, 并 且将姿态适应性的过滤器应用到容貌 特征提取;

李等人【31】提出从 3D 人 脸模型中学习形变置换域来合成图库 人脸相同视角的探针人脸. 仅使用 2D 信息,尹等人【52】提 出关联预测模型转换数据库中一个相 似标记的外观来逼近看不见的姿态探 针人脸的外观;

陈等人【15】在人脸 界标密集地提取容貌特征,并且堆叠 容貌特征作为高维人脸表征. 和我们工作最相关的工作是 PEP 模型【29】 .PEP 模型包含一系列通过 无监督学习获得的人脸局部模型.给 出一个人脸图像,每一个人脸局部模 型选择最相似的图像碎片. PEP 模型接 着通过连结从选择图像碎片中提取的 容貌特征实现姿态不变来表示人脸图 像. 在这项工作中, 分级 PEP 模型分级 利用人脸局部并且有区别地完善局部 表征.除了产生更多有区别的人脸表 征,分级 PEP 模型分享的 PEP 模型的 诸多优点,如它为人脸图像和人脸视 频在统一的结构下建立表征,此外, 它并不需要大量的训练数据. 除了基于传统的手工容貌特征的 方法, 许多包括 DeepID 【44】 , DeepFace 【46】和累计堆叠自动译码器【25】 的深度学习模型成功应用于人脸识别 问题,意味深远地实现了改进验证的 精确度.尽管有着高精度的识别率, 这些系统在训练阶段需要极大量的标 记数据. 在这项工作中, 我专注于理解人脸 识别问题而不受大量训练数据的影 响.并且我们注意到基于传统的容貌 特征描述的人脸识别系统能受益于分 级结构.相似的观察被西蒙........