从模糊标记的人脸图像中学习
计算机视觉与模式识别
2017-07-04 v2
摘要
从模糊标记的人脸图像中学习分类器具有挑战性，因为训练图像并非总是显式标记。例如，新闻照片中两个人的人脸图像并未在说明文字中以其名字显式标记。我们提出一种用于歧义解决的矩阵补全(MCar)方法，从模糊标记的图像中预测实际标签。此步骤之后，从消歧后的标签学习标准监督分类器以分类新图像。为防止多数标签主导MCar的结果，我们将MCar推广为处理标签不平衡的加权MCar(WMCar)。由于WMCar为每个实例输出减小了歧义的软标记向量，我们可以通过将其作为MCar的输入来迭代细化它。然而，这种迭代实现可能受到噪声软标记向量的影响，从而性能可能下降。我们提出的迭代候选消除(ICE)过程通过逐步消除模糊标记人脸中一部分最不可能的候选者，使迭代歧义解决成为可能。我们进一步扩展MCar以在可用此类先验知识时纳入实例间的标记约束。与现有方法相比，我们的方法在几个模糊标记数据集上展示了改进。
引用
@article{arxiv.1702.04455,
title = {Learning from Ambiguously Labeled Face Images},
author = {Ching-Hui Chen and Vishal M. Patel and Rama Chellappa},
journal= {arXiv preprint arXiv:1702.04455},
year = {2017}
}