局部描述子与ConvNets的噪声敏感性比较：在人脸识别中的应用
计算机视觉与模式识别
2018-10-30 v1
摘要
局部二值模式（LBP）是由Ojala等人提出的用于区分纹理的局部描述子，因其判别力而著称。然而，LBP对噪声和光照变化敏感。因此，人们提出了LBP的若干扩展，如中值二值模式（MBP）以及局部方向模式（LDP）等方法来解决其缺陷。尽管Zhou等人的研究表明，LDP在存在随机噪声时表现不佳。近年来，卷积神经网络（ConvNets）被引入，并因其判别力在特征提取中日益流行。本研究旨在使用添加了5种不同噪声水平的Extended Yale B人脸数据集，评估ResNet50这一预训练ConvNet模型与局部描述子（LBP和LDP）对噪声的敏感性。我们的研究发现，尽管向数据集添加了不同水平的噪声，ResNet50被证明比局部描述子（LBP和LDP）更具鲁棒性。
引用
@article{arxiv.1810.11515,
title = {Noise Sensitivity of Local Descriptors vs ConvNets: An application to Facial Recognition},
author = {Yasin Musa Ayami and Aboubayda Shabat and Delene Heukelman},
journal= {arXiv preprint arXiv:1810.11515},
year = {2018}
}
备注
6 pages, 5 figures, 6 Tables,conference