AAM 迁移学习中抑制混淆源域信息的子空间选择

主动外观模型是一类生成式模型，在人脸分析中取得了巨大成功。然而，模型学习依赖于标准基准点的详细标注的可用性。因此，当需要在不同的变化集合（表情、姿态、身份）上进行精确的 AAM 拟合时，必须收集并标注一个新的数据集。为了克服耗时的数据收集和标注需求，迁移学习方法近来受到了关注。其目标是将先前可用数据集（源域）的知识迁移到新数据集（目标域）。我们提出了一种子空间迁移学习方法，其中我们从源域中选择最能描述目标空间的子空间。我们提出了一种度量来计算源域特征向量与目标子空间之间的方向相似性。我们展示了该度量与目标数据投影到源域特征向量上时的方差之间的等价性。利用这种等价性，我们选择了一部分能够捕获目标数据中方差的源域主方向。为了定义我们的模型，我们将选定的源域子空间与从少量目标样本中学习到的目标子空间相结合。在六个公开数据集上进行的实验表明，就 RMS 拟合误差以及 AAM 拟合收敛至真实值的测试样本百分比而言，我们的方法优于现有技术。