最小最大模塊化網(wǎng)絡(luò)及人臉屬性分類研究.pdf

1、本文的主要內(nèi)容是研究最小最大模塊化網(wǎng)絡(luò)的網(wǎng)絡(luò)冗余問題、先驗(yàn)知識(shí)融入問題、擴(kuò)展問題，以及最小最大模塊化網(wǎng)絡(luò)在人臉屬性分類中的應(yīng)用。人臉屬性分類問題指的是基于人臉圖像的性別、年齡、表情和種族等屬性分類問題。本文主要討論性別分類和年齡估計(jì)問題。主要貢獻(xiàn)包括如下幾個(gè)方面： ⑴提出了線性最小最大模塊化網(wǎng)絡(luò)的反向搜索修剪方法。最小最大模塊化網(wǎng)絡(luò)的冗余性問題是最小最大模塊化網(wǎng)絡(luò)研究的一個(gè)重要研究問題。雖然我們可以用并行的機(jī)器來運(yùn)算這些模塊，但

2、是如果模塊數(shù)過多，很難找到能夠大規(guī)模并行計(jì)算的機(jī)器。這個(gè)時(shí)候如果將最小最大模塊化網(wǎng)絡(luò)的冗余模塊修剪掉，則不但可以大大減少網(wǎng)絡(luò)的規(guī)模，而且可以減少并行計(jì)算的測試時(shí)間。本文探討了如何在線性最小最大模塊化網(wǎng)絡(luò)中進(jìn)行網(wǎng)絡(luò)冗余模塊的修剪的算法，并在許多標(biāo)準(zhǔn)測試數(shù)據(jù)集合進(jìn)行了仿真實(shí)驗(yàn)，試驗(yàn)結(jié)果表明大部分的冗余模塊可以被修剪掉，并且修剪后的網(wǎng)絡(luò)和修剪前的網(wǎng)絡(luò)具有相同的一般化性能。此外我們還把修剪后的最小最大模塊化網(wǎng)絡(luò)應(yīng)用于工業(yè)圖像的故障診斷當(dāng)中，得到

3、較好的試驗(yàn)結(jié)果。最后我們還開發(fā)了一個(gè)基于最小最大模塊化網(wǎng)絡(luò)工業(yè)圖像故障檢測的演示系統(tǒng)。 ⑵提出了多分辨局部二進(jìn)制模式方法。本文對(duì)人臉的特征提取方法進(jìn)行了研究。我們將局部二進(jìn)制模式方法(LBP)引入到人臉性別分類的特征提取當(dāng)中，取得了較好的分類精度。進(jìn)而，本文提出多分辨的局部二進(jìn)制(MLBP)模式方法，并將該方法應(yīng)用到性別分類中，取得比局部二進(jìn)制模式方法更好的分類結(jié)果。我們還將多分辨的局部二進(jìn)制模式人臉特征提取方法和最小最大模塊化

4、網(wǎng)絡(luò)結(jié)合，進(jìn)行人臉的性別分類和年齡估計(jì)。 ⑶地討論了先驗(yàn)知識(shí)在模式分類和機(jī)器學(xué)習(xí)中的重要性，討論了如何在最小最大模塊化網(wǎng)絡(luò)學(xué)習(xí)中融入先驗(yàn)知識(shí)的方法。我們在具體的應(yīng)用中，將角度信息、種族信息和性別信息分別做為先驗(yàn)知識(shí)，融入到最小最大模塊化網(wǎng)絡(luò)的學(xué)習(xí)當(dāng)中，取得了較好的實(shí)驗(yàn)結(jié)果。 ⑷提出了最小最大模塊化網(wǎng)絡(luò)的可擴(kuò)展性學(xué)習(xí)方法。本文詳細(xì)地討論了最小最大模塊化網(wǎng)絡(luò)的可擴(kuò)展性能力，討論了如何將最小最大模塊化網(wǎng)絡(luò)的可擴(kuò)展性應(yīng)用到實(shí)際當(dāng)

5、中。我們在具體的應(yīng)用中，將帶有角度信息和種族信息的分類模塊在最小最大模塊化網(wǎng)絡(luò)的學(xué)習(xí)當(dāng)中進(jìn)行擴(kuò)展性學(xué)習(xí)。通過擴(kuò)展性學(xué)習(xí)，我們可以更加方便地進(jìn)行系統(tǒng)的更新，能夠更加方便地處理大規(guī)模分類問題。 ⑸考慮到最小最大模塊化網(wǎng)絡(luò)具有并行性學(xué)習(xí)能力，先驗(yàn)知識(shí)融入學(xué)習(xí)能力和可擴(kuò)展能力，本文將最小最大模塊化網(wǎng)絡(luò)應(yīng)用到性別分類當(dāng)中。實(shí)驗(yàn)證明最小最大模塊化網(wǎng)絡(luò)的上述優(yōu)點(diǎn)非常適合于解決像人臉性別分類這樣的大規(guī)模復(fù)雜問題。我們在對(duì)性別分類問題進(jìn)行大量的實(shí)

6、驗(yàn)后，證實(shí)最小最大模塊化網(wǎng)絡(luò)在許多方面都優(yōu)于傳統(tǒng)的分類器。這些優(yōu)點(diǎn)包括：與傳統(tǒng)分類器相比，具有較高一般化能力、具有更快訓(xùn)練時(shí)間和測試時(shí)間以及具有非常靈活的可擴(kuò)展性和先驗(yàn)知識(shí)融入結(jié)構(gòu)。另外，我們開發(fā)了一個(gè)基于最小最大模塊化網(wǎng)絡(luò)的性別分類演示系統(tǒng)。 ⑹將性別信息做為先驗(yàn)知識(shí)融入到最小最大模塊化網(wǎng)絡(luò)的學(xué)習(xí)當(dāng)中，然后進(jìn)行年齡的估計(jì)。實(shí)驗(yàn)證明，在年齡估計(jì)中，最小最大模塊化網(wǎng)絡(luò)在許多方面都優(yōu)于傳統(tǒng)的分類器。這些優(yōu)點(diǎn)包括：具有更高的一般化能力