42、人类面部识别与面部属性分析

人类面部识别与面部属性分析

1. 面部特征标注与分析

在VGG Face中，从池化层1（pool 1）到全连接层7（fc7）对野外标注面部特征（LFW）和野外跨姿态面部特征（CPLFW）进行研究。在一些标注的面部属性数据库中，某些属性（如眼镜、秃头）可以用简单的词汇轻松定义，但有些属性仅用几个词是不足以描述的，对每个属性进行简要描述可能会有所帮助。例如，在平坦宽阔的前额上，池化层5（pool 5）能观察到浓密的眉毛；而在高鼻梁上方的池化层5中能看到细而斜的眉毛。不过，这些描述可能存在不准确和遗漏的情况。通常，概念是在分析大量样本并发现其普遍性后才形成的，可采用激活最大化的方法来评估样本的普遍性。

根据相关研究，在MNIST数据集上训练的深度置信网络（DBN）和堆叠去噪自编码器（SDAE），对于大多数随机初始化，表现出相对相似的输入模式；在ImageNet数据集上训练的AlexNet能够将神经输入模式与输入模式相关联。由于之前讨论过特征多样性，且初始化是9个相似神经元样本的均值，所以将其用作初始化。其他正则化方法，如总变差（TV）和抖动（jitter）也较为相似。神经元134和神经元267都聚焦于面部上部，但它们的面部属性存在明显差异。

为分析这些复杂的面部属性，提出了相似性矩阵 ${S_{ij}}$ 的分析方法，其公式如下：
[
S_{ij} = \frac{1}{2} \left( \frac{\sum_{x_p \in c_j} N_i(x_p)}{\sum_{x_p \in c_i} N_i(x_k)} + \frac{\sum_{x_p \in c_i} N_j(x_p)}{\sum_{x_p \in c_j} N_j(x_k)} \right)