18、新生儿面部识别与深度特征融合技术解析

新生儿面部识别与深度特征融合技术解析

新生儿面部识别技术分析

现有技术对比分析

为了评估现有新生儿面部识别技术，采用了新生儿面部数据库和特定实验协议。使用了两种手工特征（LBP和DSIFT）、五种基于特征学习的算法，还引入了一个商业面部识别系统（COTS）进行评估和比较。以下是不同技术的表现：
| 技术类型 | 表现情况 |
| — | — |
| COTS与手工特征技术 | 手工特征如LBP和DSIFT由于对新生儿面部识别的表示能力有限，准确率最低。LBP基于局部信息生成特征空间，不考虑新生儿面部识别所需的判别信息；DSIFT以密集方式查找关键点，也不考虑其提供的判别信息。COTS虽然经过面部识别训练，表现优于手工特征，但与其他现有技术相比，准确率仍然较低，可能是因为该系统是在成人面部上训练的，无法准确适应新生儿面部。 |
| 基于学习的方法的有效性 | Bharadwaj等人提出基于自编码器的特征表示，结合新生儿面部识别特定的距离度量学习，通过单样本相似度和一类在线支持向量机实现新生儿面部识别，单图库下排名第一的识别准确率达到51.1%，比COTS提高了10.1%。这表明基于学习的框架比手工特征技术或COTS更有效，因为基于学习的方法允许算法捕捉编码方案的语义理解。Siddiqui等人提出基于深度学习的技术，修改卷积滤波器的学习并对滤波器权重施加基于类的惩罚，有助于学习特定类别的判别特征。 |
| 小样本问题的深度学习方法 | 深度学习方法因参数众多，需要大量样本图像来训练网络。针对新生儿面部数据库样本量小的问题，比较了Vinyals等人、Hariharan等人和Keshari等人专门为小样本数据库设计的算法，这些方法优于Siddiqui等人