...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Information Forensics and Security, IEEE Transactions on >Joint Feature Learning for Face Recognition
【24h】

Joint Feature Learning for Face Recognition

机译：人脸识别的联合特征学习

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper presents a new joint feature learning (JFL) approach to automatically learn feature representation from raw pixels for face recognition. Unlike many existing face recognition systems, where conventional feature descriptors, such as local binary patterns and Gabor features, are used for face representation, we propose an unsupervised feature learning method to learn hierarchical feature representation. Since different face regions have different physical characteristics, we propose to use different feature dictionaries to represent them, and to learn multiple yet related feature projection matrices for these regions simultaneously. Hence position-specific discriminative information can be exploited for face representation. Having learned these feature projections for different face regions, we perform spatial pooling for face patches within each region to enhance the representative power of the learned features. Moreover, we stack our JFL model into a deep architecture to exploit hierarchical information for feature representation and further improve the recognition performance. Experimental results on five widely used face data sets show the effectiveness of our proposed approach.
机译：本文提出了一种新的联合特征学习（JFL）方法，可从原始像素自动学习特征表示以进行人脸识别。与许多现有的人脸识别系统不同，在传统人脸识别系统中，传统的特征描述符（例如本地二进制模式和Gabor特征）用于人脸表示，我们提出了一种无监督的特征学习方法来学习分层的特征表示。由于不同的面部区域具有不同的物理特征，因此我们建议使用不同的特征字典来表示它们，并同时为这些区域学习多个但相关的特征投影矩阵。因此，可以利用针对特定位置的判别信息来进行人脸表示。了解了不同面部区域的这些特征投影后，我们对每个区域内的面部补丁执行了空间合并，以增强所学习特征的代表性能力。此外，我们将JFL模型堆叠到一个深层架构中，以利用分层信息进行特征表示，并进一步提高识别性能。在五个广泛使用的人脸数据集上的实验结果表明了我们提出的方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号