SELM：孪生极限学习机及其在人脸生物特征识别中的应用
计算机视觉与模式识别
2025-02-06 v1 机器学习
摘要
极限学习机是一种强大的分类方法，与现有分类方法相比极具竞争力。其训练极快。然而，它不能妥善处理人脸验证任务，因为人脸验证任务需要同时比较两人的人脸图像并判断这两张脸是否属于同一人。极限学习机的结构并非设计用于同时输入两路数据流，因此在双输入场景中，极限学习机方法通常以拼接输入的方式应用。但该设置消耗两倍计算资源，且未针对需要学习可分离距离度量的识别任务进行优化。出于这些原因，我们提出并开发了孪生极限学习机（SELM）。SELM 被设计为以并行方式同时接收两路数据流。它在额外的孪生层中利用双流孪生条件对数据进行变换，再传入隐藏层。此外，我们提出了一种依赖于性别-种族的三元组特征，专门在多种特定人口统计群体上训练。该特征能够学习并提取每个群体的有用面部特征。我们进行了实验以评估并比较 SELM、极限学习机与 DCNN 的性能。实验结果表明，所提特征能实现 97.87% 准确率与 99.45% AUC 的正确分类。结果还显示，将 SELM 与所提特征结合使用可达到 98.31% 准确率与 99.72% AUC，大幅优于知名的 DCNN 与极限学习机方法。
引用
@article{arxiv.2108.03140,
title = {SELM: Siamese Extreme Learning Machine with Application to Face Biometrics},
author = {Wasu Kudisthalert and Kitsuchart Pasupa and Aythami Morales and Julian Fierrez},
journal= {arXiv preprint arXiv:2108.03140},
year = {2025}
}
备注
15 pages, 11 figures