17、人脸图像集分类与多任务学习算法研究

人脸图像集分类与多任务学习算法研究

一、Latent Sparse Discriminative Learning（LSDL）方法

1.1 实验设置

在实验中，设置权衡参数 $\lambda = 0.1$，字典原子数量 $k = 10$。将 LSDL 方法与多种具有代表性的图像集分类方法进行比较，包括 AHISD、CHISD、SANP、ISCRC - $\ell_1$、ISCRC - $\ell_2$、RNP、DRM - WV、PLRC 和 PDL。设置集大小在 $[50, 100, 200]$ 之间变化，并报告所有实验的平均分类准确率和标准差。

1.2 不同数据集上的实验结果

1.2.1 Honda/UCSD 数据集

• 数据情况 ：该数据集包含 59 个视频序列，涉及 20 个不同的受试者。每个序列约有 12 - 645 帧，涵盖了不同头部姿势和面部表情的较大变化。在直方图均衡化后，将每个面部图像调整为 $20×20$ 大小，并将所有序列分为两组，随机选择 20 个视频序列进行训练，其余 39 个用于测试。
• 实验结果 ：从表 1 可以清晰看出，在所有情况下，所提出的 LSDL 方法都优于其他比较方法，令人欣喜的是，其分类率最高可达 100%。当帧数为 50 和 100 时，其他比较方法的分类率较低。

方法	Honda/UCSD（集大小 50）	Honda/UCSD（集大小