深度学习——人脸识别.pptVIP

●Related works for feature learning 1. Learning-based descriptors 2. Deep models ;PCA是将分散在一组变量上的信息集中到某几个综合指标（主成分）上的数学方法，实际上起着数据降维的作用，并保证降维过程最大化保留原数据的差异。 这对最大化类间差异（即不同人之间的差异）并最小化类内差异（即同一人的不同图像间的差异）很有效;本征脸方法;本征特征（eigenfeature）方法;本征脸 vs 本征特征;本征脸 vs 本征特征;深度模型(Deep models);深度学习;什么是深度学习？ ;深度学习的基本思想;深度学习的常用方法： 1.自动编码机(AutoEncoder) Deep Learning最简单的一种方法是利用人工神经网络的特点，自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像PCA那样，找到可以代表原信息的主要成分??? ;1）给定无标签数据，用非监督学习学习特征;2）通过编码器产生特征，然后训练下一层。这样逐层训练：;稀疏自动编码器（ Sparse AutoEncoder ）：;稀疏自动编码器(Sparse AutoEncoder) ;2.稀疏编码（Sparse Coding）;3.受限波尔兹曼机RBM;深度信念网络（ Deep Belief Networks ）; DBNs是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和P(Label|Observation)都做了评估。 典型的DNBs,可视数据v和隐含向量h的关系可以用概率表示成如下所示形式：;;;卷积波尔兹曼机（Convolutional RBM）; 卷积波尔兹曼机（Convolutional RBM）; 卷积波尔兹曼机（Convolutional RBM）;FIP特征脸法;(a)LBP：Local Binary Pattern(局部二值模式) (b)LE:an unsupervised feature learning method,PCA (c)CRBM:卷积受限波尔兹曼机 (d)FIP:Face Identity-Preserving ;FIP深度模型网络架构 （Architecture of the deep network）;第一个特征提取层中，X0经过X1层后产生32个特征映射图 ，它是通过一个包含32个子矩阵的权重矩阵W1滤波后，对X0的某个局部特征的稀疏保留。