基于深度信念网络和多任务学习的人脸识别

《基于深度信念网络和多任务学习的人脸识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度信念网络和多任务学习的人脸识别　　摘要：针对如何提高人脸识别率的问题，该文引入多任务学习机制，通过在深度信念网络中构建多任务分类器。利用多个相关任务的并行处理能够使分类器从输入端获得更多信息，来提高分类器的分类能力。并可以通过多个相关任务权值竞争，减小过拟合对分类器的影响。实验结果表明，利用深度信念网络构造多任务学习分类器，相对于单任务学习而言，多任务学习机制能够有效提高人脸识别精度。　　关键词：深度信念网络；多任务学习；人脸识别　　中图分类号：TP391文献标识码：A文章编号：1009-30

2、44（2016）17-0165-04　　Abstract：Aimingatimprovingfacerecognitionrate，thispaperintroducesmulti-tasklearningmechanism，constructingmulti-tasklearningclassificationinoutputlayerofdeepbeliefnetwork.Relatedtasksusingmultipleparallelprocessingenablestheclassifier

3、togetmoreinformationfromtheinputterminal，toimprovetheabilityofclassifier.Andthroughmultiplerelatedtasksweightcompetition，theimpactofover-fittingclassifierisreduced.Experimentalresultsshowthatthedeepbeliefnetworklearningclassifierconstructedmulti-task，wi

4、threspecttosingle-tasklearning，themulti-tasklearningmechanismcan7effectivelyimprovetherecognitionaccuracy.　　Keywords：deepbeliefnetwork；multi-tasklearning；facerecognition　　如今人脸识别技术在生活中扮演着越来越重要的角色，人脸识别技术被广泛应用于各类智能系统，如图片自动归档系统、身份验证系统等。人脸识别也成为机器学习领域中的一个研究热点

5、。　　深度信念网络（DeepBeliefNetwork，DBN）作为一种特殊的人工神经网络其具有良好的特征提取能力，它通过无监督的预训练和有监督的微调获得较好的网络权值，逐层地对特征进行抽取，进而获得较好特征。文献[1]利用了DBN优异的特征表示能力，在图像识别问题中得到了较好的识别率。　　多任务学习是一种打破传统研究观念的研究方法，利用在多个相关任务并行处理过程中权值共享可以提高系统的泛化能力特性，进而可以解决因样本相对不足而造成的分类器泛化能力不强的问题。在神经网络中引入多任务学习机制，可以利用多

6、个相关任务的权值共享来减弱过拟合对神经网络的影响。文献[2]将深度信念网络与多任务学习结合用于表情识别获得了较好的效果。文献[3]提出了一种基于多任务学习的人脸方法也获得了较好的识别效果，提高了图像识别的精度，文献[4，5]将多任务学习应用在图像分类中，文献[6，7]将多任务学习与神经网络结合应用于分类问题都取得不错的效果。7　　针对如何提高人脸识别率的问题，本文利用深度信念网络提取图像特征并在DBN输出层构建有监督多任务学习分类器对人脸图像进行识别，提高了人脸识别的精度。　　1深度信念网络与多任务学

7、习　　1.1RBM受限玻尔兹曼机　　受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）为两层随机网络结构，RBM的两层分别为可视层（v层）与隐含层（h层），可视层与隐含层之间的连接为全连接，隐含层与可视层层内均无连接，v层偏置为b，h层偏置为c，其结构示意图如图1所示。　　Roux等人证明了只要h层节点足够多，RBM能够拟合任意离散分布[8]。RBM网络结构中隐含层为二值变量，可视层为二值变量或者[01]之间的数值。假设隐含层有m个节点，可视层有n个节点，对于一组状态（v，

8、h），RBM系统具备的能量定义为：　　公式中参数vi表示可视层第i个节点状态，参数hj则表示隐含层第j个节点的状态。[θ]为RBM结构参数，即[θ]={Wij，bi，cj}。当[θ]确定时，得到RBM结构基于（v，h）状态的概率p为：　　Z（[θ]）为归一化项。由RBM网络层间全连接层内无连接结构特性可知，当可视层节点值给定时各隐含层节点之间激活概率相互独立，由网络的对称性可知，当隐含层节点值给定时，RBM网络的可视层节点之间激活概率相互独立。第i个可视