西方哲学人脸识别技术进步及实用方案设计

by admin on 2018年11月14日

克尔凯郭尔

人脸识别技术不仅吸引了Google、Facebook、阿里、腾讯、百度等国内外互联网巨头的豁达研发投入,也催生了Face++、商汤科技、Linkface、中科云从、依图等同样深波明星创业公司,在视频监控、刑事侦破、互联网金融身份核验、自助通关体系等倾向创造了诸多打响采用案例。本文拟梳理人脸识别技术发展,并基于作者以连锁领域的施行让出一部分实用方案设计,期待会对谢兴趣之读者有裨益。

哲学家是平等多爱良好心的兵,他们心甘情愿赞助他人进入“理论”,但除了他们的“荒谬而以呆板的严肃性和重理论的千姿百态”,还出把关于她们之痴事迹。他们同情那些过去之人们,认为她们生活在一个并未到,并且不可能来公平的客观性的理论体系里。但当你询问她们关于新的系时,他们连年用平等的假说搪塞而:“不,还从未了准备好。新的系统就抢就了,或者至少是方构建中,将以下个星期天前做到。”

一、概述

——索伦•克尔凯郭尔

初步地言语,任何一个之机械上问题且可等价于一个搜索适合变换函数的题材。例如语音识别,就是以求取合适的变换函数,将输入的一致维时序语音信号变换到语义空间;而最近引发全民关注的围棋人工智能AlphaGo则是将输入的老二维布局图像变换到决策空间以决定下一样步之太优走法;相应的,人脸识别也是当求取合适的变换函数,将输入的第二维人脸图像变换到特征空间,从而唯一确定针对性应人的身价。

法国史学大师布罗代尔耗时2年独力撰写了千篇一律统明确世界通史,他感怀给青春读者“在掌握历史的还要,直面他们即将在让中的世界,以便做出还好之行或者人生决策”。而和布罗代尔一律,丹麦哲学家索伦·克尔凯郭尔也想透过哲学告诉大家以下就几乎个问题:

直白以来,人们还当围棋的难度要多超出人脸识别,因此,当AlphaGo以绝对优势轻易打败世界冠军李世乭九段落及柯洁九段落时,人们更怪于人工智能的有力。实际上,这等同定论只是人人的依据“常识”的误解,因为由大多数总人口的亲自体验来讲,即使通过严格训练,打败围棋世界冠军的几乎带领为是微不足道;相反,绝大多数普通人,即便不通过严格训练,也能够轻轻松松做到人脸识别的任务。然而,我们不妨仔细分析一下立马两者之间的难易程度:在计算机的“眼里”,围棋的棋盘不过大凡只19×19之矩阵,矩阵的各国一个元素或的取值都出自于一个三元组{0,1,2},分别表示无子,白子及黑子,因此输入向量可能的取值数为3361;而于人脸识别来讲,以同一幅512×512的输入图像也条例,它在计算机的“眼中”是一个512x512x3维的矩阵,矩阵的各个一个元素或的取值范围为0~255,因此输入向量可能的取值数为256786432。虽然,围棋AI和人脸识别都是寻求合适的变换函数f,但后者输入空间的复杂度显然远远不止前者。

1,我来了是的世界——我在哪里?

对一个好好的变换函数f而言,为了达成至极漂亮的归类效果,在转移后的表征空间上,我们要同类样本的接近内不同尽可能小,同时不同类样本的类间差尽可能大。但是,理想是丰富之,现实也是骨感的。由于光照、表情、遮挡、姿态等重重素(如图1)的震慑,往往导致差人里面的出入比较相同人之间差距更粗,如图2。人脸识别算法发展之史便是同这些分辨影响因子斗争的史。

2,这个所谓的社会风气是什么?

                                                        图1
人脸识别的熏陶因素                                            

3,把自家诱惑到者世界都受自己留在这里的丁是孰?

                    图2 态势导致差人相似度比和人再也胜

4,我是谁?我是什么来到这世界之?我之前途如何?

仲、人脸识别技术进步

5,关于世界,为什么从来不丁征求我之视角?

早在20世纪50年间,认知科学家就已着手对人脸识别展开切磋。20世纪60年代,人脸识别工程化应用研究专业开启。当时之方要使用了脸的几乎哪里结构,通过分析人脸器官特征点及其内的拓扑关系进展辨认。这种办法简单易行直观,但是要人脸姿态、表情发生变化,则精度严重低落。

圈了了及时5个问题,先别急于思考要应对,咱们一块儿来打探下有关这员存在主义哲学家的人生故事。

1991年,著名的“特征脸”方法[1]率先软以主成分分析及统计特征技术引入人脸识别,在实用机能及得了飞速的腾飞。这同样思路也于继承研究着拿走进一步发扬,例如,Belhumer成功将Fisher判别准则下叫人脸分类,提出了基于线性判别分析的Fisherface方法[2]。

索伦•克尔凯郭尔1813年于丹麦之一个富裕家庭出生并不停长大,不过者家中也是一个严峻的新教徒家庭。他的翁迈克尔•克尔凯郭尔性格忧郁,喜欢以餐桌及讨论耶稣与殉难者的被,他的家园在之要害课程就是《圣经》中的“服从观”,就比如亚伯拉罕的故事中所涉的。基督教徒都晓得,亚伯拉罕是千篇一律号由上帝引荐的倾心教父,他不但使牺牲局部傻的动物,还要牺牲他唯一的儿子,在结尾时刻,他刚刚准备这样做,但是又赢得了足不举行的高尚权力。这些是如何成为索伦•克尔凯郭尔的家规中的一致有些还无亮堂,但是这些当克尔凯郭尔之生被直接为视作是未知的兆……

21世纪的前十年,随着机器上理论的迈入,学者等逐一探索有了基于遗传算法、支持为量机(Support
Vector Machine, SVM)、boosting、流形学习与核方法等开展人脸识别。
2009年至2012年,稀疏表达(Sparse
Representation)[3]以该美丽之反驳同针对遮挡因素的鲁棒性成为当下的研讨热点。

索伦•克尔凯郭尔一家都是摩拉维亚教堂的积极分子,这被认为是德国那个让人心寒的地方,去者教堂的众人普遍认为性享受是有罪的,而且男人和那配偶的亲该由偶然决定。

同时,业界也基本达标共识:基于人工精心设计的有描述子进行特征提取和子空间法开展特色选择能获得最好的辨识功能。Gabor[4]及LBP[5]特征描述子是至今在人脸识别领域太成功的星星点点栽人工设计片描述子。这期间,对各种人脸识别影响因子的指向处理也是那么同样阶段的钻热点,比如人脸光照归一化、人脸姿态校正、人脸越分辨和遮挡处理等。也是于马上同号,研究者的关注点开始自受限场景下之人脸识别转移到无受限环境下之人脸识别。LFW人脸识别公开竞在斯背景下起流行,当时最为好之识别系统尽管以受限的FRGC测试集上能够获取99%之上之分辨精度,但是于LFW上的参天精度就在80%左右,距离实用看起去颇远。

则虔诚,在日德兰半岛那被大雨刷洗过之顶峰,索伦•克尔凯郭尔的爹爹还因一个青春牧师的位置,在一个颇阴沉的小日子诅咒上帝,不过他新生啊因而接受了英雄的背——担心会遭上帝之惩治。他爸爸对宗教的虔诚心逐年增多,他拼命和所发现的含有信任的“诅咒”作斗争。他觉得这次犯错让上帝惩罚了外。尤其,他看他有所的男女都不能不以外前头去世,而且非常确定他们不会见生到34东,也即是耶稣死亡的岁数。

2013年,MSRA的研究者首度尝试了10万规模之十分训练多少,并根据高维LBP特征和Joint
Bayesian方法[6]以LFW上得了95.17%之精度。这无异结果表明:大训练数据集对于中提升非受限环境下的人脸识别很要紧。然而,以上所有这些经典方法,都难处理大规模数据集的训练情景。

索伦在日记中写道,他本着爸爸于辞世冷酷的偏见既出崇拜,也发生恐怖,但有时候还要觉得他的“疯狂”影响了百分之百家庭。根据柏拉图的思想意识,哲学家只有以35夏经常才能够开始创造出他们最好好的传统,很显,这种对提前死亡的预测为索伦•克尔凯郭尔带来了高大的影子。

2014年左右,随着大数目与纵深上之进步,神经网络重受瞩目,并当图像分类、手写体识别、语音识别等以被取了远超经典方法的结果。香港中文大学之Sun
Yi等人提出用卷积神经网络应用至人脸识别上[7],采用20万训多少,在LFW上率先潮获过人类水平的分辨精度,这是人脸识别发展历史及之平等幢里程碑。自此以后,研究者们不断改进网络布局,同时扩充训练样本规模,将LFW上的辨认精度推至99.5%上述。如表1所出示,我们为出了人脸识别发展进程中部分经典的措施及其在LFW上的精度,一个基本的可行性是:训练多少规模越来越深,识别精度越来越大。如果读者读书有趣味了解人脸识别更细节之开拓进取历史,可以参考文献。

几乎年之后,这个凄美的预计似乎实现了。首先,迈克尔•克尔凯郭尔的12岁之有限个丫头于戏耍时意外过世,25夏之马伦·克尔凯郭尔死为无人知晓的病。在马伦随后,便是另外两独闺女妮卡林及佩特丽,她们都是33春秋且处于分娩期。还有一个儿尼尔斯则逃至了美国,但24年份的时就挺了。他的父兄彼得·克尔凯郭尔尽管幸存了下去,但却去了外的老婆埃莉斯。实际上,除了彼得,只有索伦•克尔凯郭尔成功地打破了预言,活了了35秋。

表明2 较健康的人脸识别训练集

有的评论家想了解迈克尔•克尔凯郭尔为什么这样确信诅咒上帝会受到这么严峻的责罚。很确定其便是较“年轻人的诅咒”更不行的罪恶,需要这么多的年轻生命付出代价吗?如果非是咒骂,那就算是不为另外任何事,而独自吗金跟一个老小结婚,两年之后就将其送上了坟墓,然后重新跟女仆生一个私生子也?当然,这些推断可能跟索伦•克尔凯郭尔的老爹之案例毫无关系,因为他的阿爸是平等员虔诚之路德教派成员,视神圣的法令和自己修养为全方位。这些呢基本上就是是大方后来透过整理发现的。

发明3 本文用到的测试集

唯独,迈克尔•克尔凯郭尔的率先个夫人克里斯汀出生为富豪之家,当他俩结合的时候,她已经36年份了,很肯定不克生子。就在结婚后的第二年,她由于肺炎去世了。她的碑石上但略地表明它们为覆盖于那里——“她的男人把针对她享有的记都埋在了石块下面”。然而,虽然那块空地被了迈克尔•克尔凯郭尔的第二各项夫人安妮,她是夫人的女仆,但是其当怀孕的时刻,她更热情奔放。这或多或少颁布了它“虽然要相差家达到天堂”,但却用于其现有的孩子与恋人所爱戴与思,尤其是它们老去的丈夫。迈克尔•克尔凯郭尔看上去似乎更欣赏他的次只年轻的爱人,或者是为频繁年晚底客变成熟了。

申4 一栽高效可靠的训练多少清洗方法

而事实情况为恐怕是安妮更合乎迈克尔•克尔凯郭尔。迈克尔以及外的小子们还认为妻子本质上即是家园之用人,对充分子女享有非常的义务。确实,索伦•克尔凯郭尔的胞妹的权责还包服侍她们的兄长。从克尔凯郭尔家里的一个情侣伯森那里我们获悉,女孩们针对友好所处之期与偶尔之抗击之神态是殊极端的。

希冀4吃来了同样仿行之有效的人脸识别技术方案,主要包括多patch划分、CNN特征抽取、多任务上/多loss融合,以及特色融合模块。

而,如此干燥的家管理办法似乎不能吃索伦•克尔凯郭尔改变他的理念。在外的开中,索伦•克尔凯郭尔写了无数针对他爸的评,但可没有涉及他的娘与妹妹。否则,就比如他的翁一如既往,他载脑子都见面怀念方上帝。

希冀4 人脸识别技术方案

立就是众人现在欣赏说的丹麦“金色年代”(Golden
Age)。18世纪90年份,哥本哈根都简单蹩脚被烈火毁灭,1801年,这个国家了失去了她的疆域;1807年,英国当近海炮击它;1813年,国家造币厂倒闭。

1、多patch划分主要是使用人脸不同patch之间的补充信息加强识别性。尤其是差不多单patch之间的休戚与共会管用提升遮挡情况下的识别性。当前,在LFW评测中过99.50%底结果大多数凡是由于多单patch融合得。

但最少那儿有点子“百花齐放”的场景,丹麦让当是没错、艺术和文艺富饶的土地是自然的,这也许是盖丹麦也正经历在社会动荡时期。封建社会的必然性基于封建领主,他们的领域和耕地的农家吃越来越复杂的事物(富裕的商和技术高超的技工)和社会所代表,用来挑战等级制度。迈克尔•克尔凯郭尔仅仅是中间的一个例证。作为家中极青春的平位,没有遗产的他只好去贫穷之日德兰半岛,到哥本哈根举行他大伯的学徒。但是,一到那里,他快即创办了同稍笔财富,取得了一个新的社会地位。

2、经过认证较出色之人头脸特征抽取卷积神经网络包括:Deep-ID系列、VGG-Net、ResNet、Google
Inception结构。读者可依据自己对精度和效率的求选择合适的网络。本文为19层resnet举例。

虽然,迈克尔以及外的幼子索伦•克尔凯郭尔对社会之转变还是惊人不满,认为重点之价值跟承诺将见面失去意义或者掉。索伦•克尔凯郭尔用哥本哈根的一个公园概括了“新丹麦”的表面现象,这里有西洋景、蜡像馆、视觉的计谋技巧(如透视画)、肤浅且不论信仰的生方法。

3、多任务上重大是用另外连锁信息升级人脸识别性能。本文为性和种族识别为例,这简单种属性都是暨切实人数的身份强相关的,而另外的性能如神、年龄还并未此特性。我们以resnet的中间层引出分支进行种族和性别的多任务上,这样CNN网络的前方几乎重叠相当给所有了种、性别鉴别力的高层语义信息,在CNN网络的后几乎重合我们愈深造了身价的细化鉴别信息。同时,训练集中样本的性与种属性可以通过一个baseline分类器进行多数投票得到。

哪怕是一个年轻的男孩,索伦•克尔凯郭尔就吗很认真。在哥本哈根,克尔凯郭尔分别达过精英语法学校及公民美德学校,在该校里他的外号叫“叉子”,因为他爱给同学等进行辩护并呈现他们当座谈进程中产生的龃龉。

4、多loss融合关键是应用不同loss之间的补偿特性学习产生当的人脸特征向量,使得类内不同尽可能小,类间差尽可能大。当前人脸识别领域较常用的集中loss包括:pair-wise
loss、triplet loss、softmax loss、center loss等。其中triplet
loss直接定义了附加类内类间差gap的优化目标,但是于切切实实工程实施着,其trick较多,不轻把。而多年来提出的center
loss,结合softmax
loss,能比较好地量特征空间中的接近内、类间差,训练安排也比较有利,因此下比较广泛。

抢过后,他的兴不仅局限为博辩论赛和以文学世界被取得一席之地,他尚特别纪念进入哥本哈根文学界中尽有名的人士——海伯格的文艺圈子。海伯格先生吗是同一号哲学家,他当着向丹麦传黑格尔哲学的事。如果立刻一点还不够,那么海伯格还是这极显赫的丹麦剧作家,是国剧院的组织者,他跟一个非常有名且美丽的表演者了了结婚,并开办了哥本哈根最高雅的文学沙龙。当时的索伦•克尔凯郭尔非常羡慕这号剧作家,他有所的努力还是为给推荐进入者引发人之世界。

5、通过多个patch训练得的范将有多单特征向量,如何融合多特点向量进行最终的身价识别为是一个重中之重之艺问题。较为常用的方案包括:特征向量拼接、分数级加权融合与决策级融合(如投票)等。

盖就是在斯时刻,索伦•克尔凯郭尔及维珍妮•奥逊订婚了。他率先涂鸦面临见是女孩儿时,她独发生14年份。”婚姻也保障了人类无比要害的觉察的一起。”他于《生命之路》上说明说。维珍妮成了他紧接着的累累做中一个重中之重的主题,但是可非是以死开朗的花样出现。就比如索伦•克尔凯郭尔所言:“将同样叫作女子与诗意是同栽方法,而将协调给其同的诗意是同一种杰作。”后来,在《诱惑者的日记》中之《非此即彼》这首文章被,克尔凯郭尔写道:

发明5 数据清洗前后识别模型性能比

弟子时代对性欲的顿悟要我们得我们自己之外的愉悦,而这种满足感的抱并且取决于其他一个人所带动的随意。性交可以要我们获得飘飘欲仙的快,但同时还要夹杂着承担责任的恐惧感。焦虑就这样矛盾地动摇于迷恋与惧怕中。

表5为起了训多少清洗前后在测试集齐之性比结果。据这可以抱以下结论:

索伦•克尔凯郭尔将蒙受耻辱的维珍妮公之于世,希望会跟它免关系〔维妮珍最后和索伦的内部一个竞争对手(一个校教师,要无是当做外交官及之事业暗淡,他或许会见继续走向成功)结了结婚〕。《非此即彼》瞬时取得成功,主要是盖其怪的角度。在8年之岁月外,维妮珍的立段经历引发了索伦•克尔凯郭尔20本书的创造性写作高潮。

1、数据的保洁不但会加速模型训练,也能够管用提升辨精度;

然索伦从未把其引人文学写作中。有时,索伦没有得到海伯格文学团体的完全确认,这要是他老沮丧。他转移而出入相反的可比堕落之地方:他逛妓院,和一致广大酒鬼混在一道。这些酒鬼里面还包另外一个万分不好意思的汉斯•安徒生,那个就因他的童话故事而走红的作家。索伦已十分喜爱在团圆及调侃他,但是就有限独人吧创了扳平栽奇怪的系统。安徒生已靠借债度日,并且为还不从债务要受关进大牢,几次三番地设他的父亲保释。而克尔凯郭尔则挑衅一个曰吧《海盗报》的讽刺性期刊,接下噩运也尽管降临。这个期刊巧妙地将他讲述成一个奇怪的口,漫无边界地游荡在哥本哈根,和人们拉说地——更为糟糕的是,他的下身总是太缺!对于这些嘲讽,克尔凯郭尔感到惊与心痛。索伦•克尔凯郭尔于外的旅程中写道:“天才不怕比如是雷电——它们同风作斗争,虽有点可怕,但也会要空气清新。”

2、在西方人为主的教练集MSCeleb1M上训练得的模子,在同为西方人为主的测试集LFW上齐了宏观的泛化性能;但是在因为东方人为主的政工测试集的泛化性能则发较充分的下落;

以25春经常,克尔凯郭尔经历了他所谓的突然的“难以名状的欣”,并操纵改造自己。他戒掉了酗酒的惯,与外的生父和,发表了第一篇稿子。这篇稿子是针对安徒生的一样管辖小说的探索性评论,题吗《来自同各项在世者的舆论》。

3、在盖东方人为主底事务教练集训练取得的型,在东方人为主底事情测试集上性能非常好,但是于西方人为主底测试集LFW上相对MSCeleb1M有得差别;

其间再次出现了就句话:“天才不怕如是雷电——它们与风作斗争,虽略可怕,但却能够使空气清新。”

4、将工作训练集和MSCeleb1M进行联合,训练得的范在LFW和工作数据及且来相近完美的属性。其中,基于三独patch融合之范在LFW上抱了99.58%的辨别精度。

“每当我们决定针对德表示难以置信时,”他于评论被出言不逊地写道,“这些作为必将会胜出社会论证的限量,并且绝对是‘避讳’的话题。”这些会当《恐惧和战栗》中可以缓解,因为她俩藐视公民美德,并且徘徊在疯狂之边缘。

5、由此,我们可知晓,为了达成尽可能高的实用识别性,我们应当尽可能采取和利用环境一致的训练多少开展训练。同样的下结论为出现在舆论[12]中。

哲学家认为的“间接交流”

实质上,一个完整的人脸识别实用系统除了连上述识别算法以外,还当包括人口脸检测,人脸要点铁定,人脸对旅等模块,在好几安全级别要求于高之运中,为了防备照片、视频回放、3D打印模型等对识别系统的顶攻击,还索要引入活体检测模块;为了在视频输入被拿走最了不起的辨识功能,还需引入图像质量评估模块选择最适于的视频帧进行分辨,以尽可能排除不全匀光照、大姿态、低分辨和动模糊等要素对分辨的熏陶。另外,也有众多研究者与供销社准备通过积极的艺术规避这些要素的熏陶:引入红外/3D摄像头。典型的实用人脸识别方案一经图5所出示。

索伦•克尔凯郭尔认为,“直接交流”是指向上帝、作家及读者的一样种植“欺骗”,因为马上仅仅和客观思维有关,而望洋兴叹适用地发挥主观性的首要。间接交流可以假设读者引入他们协调的想想,并和这些视角形成一致栽个人联系。相反,客观写作而众人以谢兴趣之天地无法蕴涵自己的豪情。尤其是基督教教义,只能于带在激情和虔诚的时才会叫玩,而以此主观性是须的。相比之下,黑格尔的真谛——他的“连续的社会风气历史的历程”则非常冷无情,太过于理智。

祈求5 实用人脸识别方案流程图

于《非科学的附录》中,索伦•克尔凯郭尔将真正的留存形容成像“骑在野马”,而“所谓的在”像于输干草的马车里睡觉。这些灵感和比喻的来源或跟他私的存关系密切。索伦典型的工作日包括早一段时间的“沉思”,然后直接写到正午,他喜爱当下午逛,走不行远的里程,并会见于沿路停下来和其余他看有趣的食指拉,然后死晚才转至下。之后,他见面写大半单夜晚,一直顶深夜(这大概就是是“野马”的正经做法……)。

四、总结

每当哥本哈根的散步和外连连出版的书写最终要他成了一个公众人物,他以当这于欢迎的黑格尔哲学与基督教之批评家而成名。

正文简单总结了人脸识别技术的向上历史,并受起了实用方案设计的参照。虽然人脸识别技术于LFW公开竞赛中得了99%上述之精度,但是当视频监控等实用场景下之1:N识别距离真正实用还有同截路一旦活动,尤其是于N很死的气象下。未来,我们还亟需以教练多少扩充、新模型设计和度量学习等方面投入还多之活力,让大人脸识别早日走符合实用。

克尔凯郭尔的出生地

五、参考文献 

只是后来,两个挑战者碰头了,索伦•克尔凯郭尔在高等学校时期的总对手为是黑格尔哲学的有名支持者汉斯•马顿生接任了丹麦教会的主教职位。索伦•克尔凯郭尔对之暴怒不已,他顿时对就员基督教会新主教发起到出击,并标明了他协调之观。而这次,他关于语义学的哲学理论为社会作出了英雄贡献,他可非用好的笔名。这本开跟后来底作品〔如恒河沙数讽刺短论)都大受欢迎,并生畅销——但是这也意味,因为印费比书的收人大得多,他只得花还多的钱。事实上,在索伦·克尔凯郭尔最终一蹩脚患病而昏迷在街上的那无异龙,正是以他到银行取出遗产之末梢一笔画钱后归来回家的路途中。

[1]Turkand M A, Pengland A P. Eigenfaces for recognition [J].
Journal of Cognitve Neuroscience, 1991, 3(1): 71-86. 

忠于于他不以为然教权主义的法,他以临终前拒绝接受最后的耶稣礼拜仪式。而且,他的葬礼于同帮助反对一个牧师出席的示威者所于断,尽管那位牧师是他的哥们儿。这栋城池特有忽视他的撤出,并且以外死亡多年晚,哥本哈根的子孙们在洗礼时按无容许取名为索伦,因为此名字附上了不好且早死的名声。

[2]Belhumeur P, Hespanha J, Kriegman D. Eigenfaces vs. fisherfaces:
Recognition using class specific linear projection [J]. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7):
711-720. 

索伦•克尔凯郭尔的著作基本上都吃忽略要忘记。直到20世纪,他的考虑才起来影响法国的存在主义者,他们向往并注重他的利己主义和反理性主义,并完全忽视他的教优先权。索伦•克尔凯郭尔如果活在,或用感激之讽刺的圈。

[3]Liu C, Wechsler. Gabor feature based classification using enhanced
fisher linear model for face recognition [J]. IEEE Transactions on
Image Processing, 2002, 11(4): 467-476. 

[4]Ahonen T, Hadid A, Pietikäinen M. Face description with local
binary patterns: Application to face recognition [J]. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(12):
2037-2041. 

[5]Wright J, Yang A, Ganesh A, Sastry S, Ma Y. Robust face recognition
via sparse representation [J]. IEEE Transactions on Pattern Analysis
and Machine Intelligence, 2009, 31(2): 210-227. 

[6]Chen D, Cao X, Wen F, Sun J. Blessing of dimensionality:
high-dimensional feature and its efficient compression for face
verification [C]. IEEE International Conference on Computer Vision and
Pattern Recognition, 2013. 

[7]Sun Y, Wang X, Tang X. Deep learning face representation by joint
identification-Verification [C]. 

[8]Zhao W, Chellappa R, Rosenfeld A, Phillips P J. Face recognition: A
literature survey [J]. ACM Computing Surveys, 2003, 35(4): 399-458. 

[9]Li S Z, Jain A K. Handbook of face recognition (2nd Edition) [M].
Springer-Verlag, 2011. 

[10]Wang B, Li W, Yang W, Liao Q. Illumination normalization based on
Weber’s law with application to face recognition [J]. IEEE Signal
Processing Letters, 2011, 18(8): 462-465. 

[11]Wang Biao, Feng X, Gong L, Feng H, Hwang W, Han J. Robust Pose
normalization for face recognition under varying views [C]. ICIP,
2015, 

[12]Kan M. Domain Adaptation for face recognition: Targetize source
domain briged by common subspace, IJCV, 2014.

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图