基于深度迁移学习的人脸识别方法研究

• 作者: 余化鹏 张朋 朱进
• 来源期刊: 成都大学学报（自然科学版）
• 关键词: 深度学习 人脸识别 迁移学习 不变性 区分性
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 信息科学与工程
• 页码范围: 151-156
• 页数: 6页
• 分类号: TP391.41
• 语种: 中文

摘要

针对大数据集上学习的深度人脸模型在实践中的相关问题,提出一种通过迁移一个预训练的深度人脸模型到特定的任务来解决该问题的方案:将深度人脸模型学习的分层表示作为源模型,然后在一个小训练集上学习高层表示以得到一个特定于任务的目标模型;在公共的小数据集及采集的真实人脸数据集上的实验表明,所采用的迁移学习方法有效且高效;经验性地探索了一个重要的开放问题——深度模型不同层特征的特点及其可迁移能力,认为越底层的特征越局部、越通用,而越高层的特征则越全局、越特定,具有更好的类内不变性和类间区分性;无监督的特征可视化与有监督的人脸识别实验结果都能较好地支持上述观点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	余化鹏	成都大学信息科学与工程学院	4	19	2.0	4.0
2	张朋	成都大学信息科学与工程学院	1	14	1.0	1.0
3	朱进	成都大学信息科学与工程学院	1	14	1.0	1.0