基于软间隔多特征核学习的域自适应方法在监控人脸识别中超越深度学习
计算机视觉与模式识别
2016-10-28 v2 人工智能
人机交互
机器学习
摘要
人脸识别（FR）因其被动检测主体的特性，在所有不同类型的生物特征模态中，成为基于生物识别的监控最首选模式。由于探针图像与训练样本相比存在低对比度、噪声和不良光照条件，监控场景下的人脸识别性能并不令人满意。即便是最先进的技术——深度学习，在这些场景中也表现不佳。我们提出了一种新颖的基于软间隔的多特征核组合学习方法，随后利用域自适应进行特征变换，当使用三个真实世界监控人脸数据集进行测试时，该方法优于许多近期最先进的技术。
引用
@article{arxiv.1610.01374,
title = {Domain Adaptation with Soft-margin multiple feature-kernel learning beats Deep Learning for surveillance face recognition},
author = {Samik Banerjee and Sukhendu Das},
journal= {arXiv preprint arXiv:1610.01374},
year = {2016}
}
备注
This is an extended version of the paper accepted in CVPR Biometric Workshop, 2016. arXiv admin note: text overlap with arXiv:1610.00660