资源受限环境下的低分辨率人脸识别
计算机视觉与模式识别
2020-11-25 v1
摘要
本文提出了一种面向网络与计算受限的资源受限环境的非参数低分辨率人脸识别模型。此类环境通常要求模型小巧，能够用少量标注样本有效训练，且训练复杂度低，并以低分辨率输入图像工作。为应对这些挑战，我们采用一种称为连续子空间学习（successive subspace learning, SSL）的新兴可解释机器学习方法。SSL 提供了一种可解释的非参数模型，可灵活地在模型大小与验证性能之间进行权衡。由于其模型以无反向传播的单遍前馈方式训练，训练复杂度显著降低。此外，可方便地引入主动学习以降低标注成本。所提模型的有效性通过在 LFW 和 CMU Multi-PIE 数据集上的实验得到验证。
引用
@article{arxiv.2011.11674,
title = {Low-Resolution Face Recognition In Resource-Constrained Environments},
author = {Mozhdeh Rouhsedaghat and Yifan Wang and Shuowen Hu and Suya You and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2011.11674},
year = {2020}
}
备注
11 pages, 5 figures, under consideration at Pattern Recognition Letters