基于增量標號噪聲數據學習的人臉識別研究.pdf

1、大部分的人臉識別方法利用大量正確標記的訓練樣本來學習精度足夠高的識別模型。收集人臉圖像并對其進行正確的標記會耗費大量的人力、物力，且現(xiàn)實情況中人臉圖像因光照等變化的影響而要求學習器能夠不斷學習新的知識。為了實現(xiàn)這種需求，研究者提出了增量學習和半監(jiān)督學習：前者利用增量數據去改善原始數據，混合后的數據保留了有用的部分而刪除了大部分無用的數據，使學習器能不斷進行訓練；后者有效利用無標記的樣本，使分類精度盡量接近標記已知時的結果。但當新增的數據

2、集中含有噪聲時，這兩種方法各有弊端。文章所提方法適合于多次學習，利用少量標簽正確的原始數據和含有類別噪聲的增量數據進行學習。利用原始數據對增量集賦置信度，根據這個置信度刪除被判定為噪聲的樣本，學習出多個分類器，并采取不同的策略對測試集進行投票決定其最終類別。本文主要取得了以下成果：
　　(1)提出了基于SVM的多個學習器方法Multi_SVM，并將其用于人臉識別。Multi_SVM方法基于SVM訓練出多個分類器，對被判定為噪聲的數

3、據采取丟棄策略，對未知的測試樣本通過投票決定其最終類別。所有學習器對噪聲的容忍都是有一定限度的，這個限度的高低是決定分類器性能的重要指標。實驗表明，Multi_SVM方法對噪聲有更強的抵抗能力。
　　(2)提出了基于TSVM的的多個學習器方法Multi_TSVM。Multi_TSVM方法與Multi_SVM方法思想相同，均將判斷為噪聲的樣本刪除，提高整個數據集的質量后進行學習。不同之處是Multi_TSVM方法中多個分類器的訓練采