深度卷积神经网络人脸辨识编码中单单元状态：稀疏性的重新定义
计算机视觉与模式识别
2020-03-03 v2 机器学习
摘要
为 face identification 训练的深度卷积神经网络（DCNNs）发展出可泛化于多变图像的表征，同时保留主体（如性别）与图像（如视角）信息。我们在人脸辨识网络的“神经单元”与整体（ensemble）层面研究了身份、性别与视角编码。在单元层面，通过删除单元以在顶层网络构建可变大小、随机采样的子空间，来度量身份辨识、性别分类与视角估计。当维度从 512 单元降至 16（0.95）、4（0.80）与 2（0.72）单元时，3531 个身份的辨识率仍保持高位（ROC 下面积约为 1.0）。各身份在每一个顶层单元上均统计可分。跨单元响应相关性极低，表明单元编码非冗余的身份线索。这种“分布式”编码仅需稀疏、随机的单元样本即可准确辨识人脸。随着维度降低，性别分类逐渐下降，而视角估计急剧跌落。单个单元对性别与视角的预测性弱，但整体（ensemble）被证明是有效预测器。因此，分布式与稀疏编码在网络单元中共存以表征不同的人脸属性。在整体层面，对人脸表征的主成分分析显示身份、性别与视角信息分离至高维子空间，按解释方差排序。身份、性别与视角信息贡献于所有单个单元响应，削弱了人脸属性的神经调谐类比。从 DCNNs（类比地，从高层视觉编码）解释类神经编码不能由单单元响应推断。相反，“意义”由高维空间中的方向编码。
引用
@article{arxiv.2002.06274,
title = {Single Unit Status in Deep Convolutional Neural Network Codes for Face Identification: Sparseness Redefined},
author = {Connor J. Parde and Y. Ivette Colón and Matthew Q. Hill and Carlos D. Castillo and Prithviraj Dhar and Alice J. O'Toole},
journal= {arXiv preprint arXiv:2002.06274},
year = {2020}
}