专题周记1-专题周记系统.PDF

專題週記 1 姓名黃柏華: 系級:通訊三甲 指導教授 :辛正和 繳交日期 :5/24 一、理解論 文 1.3D morphable models ： 三維面既可以從一個或多個照片自動生成，或直接通過 直觀的用戶界面模型。用戶協助的計算機輔助人臉建模兩個 關鍵問題 。首先，新的面部圖像或新的三維人臉模型可以自 動通過計算密集的一對一的對應關係到內部面模型註冊 。第 二，該方法調節仿照面避免面與不可能的外觀的自然度。 從 實施例組的三維人臉模型開始，我們得出一個形變臉部模型 轉化的實施例的形狀和肌理到載體空間表示 。新的面孔和表 達式可以通過形成原型的線性組合來建模 。從我們的例子中 的面部的統計導出 形狀和肌理約束用於指導手動建模或自動 匹配算法。在此框架下，很容易控制複雜的面部屬性，例如 性別，吸引力，體重，或面部表情。屬性從一組面評價來自 用戶的自動學習，並且然後可以應用到分類和處理新的面 孔。給定一個面的一張照片，我們可以估算它的三維形狀， 其在空間方向和照明條件在現場。從的大小，方向和照明的 粗略估計開始，我們的算法優化這些參數連同面的內部的形 狀和表面的顏色，以找到對輸入圖像中的最佳匹配。從圖像 中提取的人臉模型可以旋轉和操縱 3D 。 2.Gaussian mixture model(GMM) ： 高斯混合模型（ Gaussian Mixture Model, GMM）是語音 信號處理中的一種常用的統計模型，該模型的一個基本理論 前提是只要高斯混合的數目足夠多，一個任意的分布就可以 在任意的精度下用這些高斯混合的加權平均來逼近 。 GMM模型的主要問題為訓練問題，亦即參數估計問題數 估計，使得 GMM模型和訓練數據之間達到最佳的匹配程度。 GMM的參數估 計方法有多種方法，其中應用最廣泛的是基於 最大似然準則 (Maximum Likelihood Estimation, MLE)的方 法。 在聲學模型訓練中常用 GMM為狀態輸出機率建模 ，同時 GMM也常用於其他聲音分類任務中，例如聲音分割與分類， 說話人識別等 。 3.region-aware masks ： 一種新的區域感知掩模被構造為皮膚操縱，其可自動選 擇進行編輯的區域非常精確 。通過國家的最先進的編輯繁殖 技術的啟發，我們提出了一個自適應的邊緣保持能量最小化 模型與空間變化的參數和屏蔽產生高維導向特徵空間 。使用 區域感知口罩，我們的方法便於更靈活和準確的面部皮膚的 增強，而複雜的操作被大大簡化 。在我們的美化框架，一個 畫像是由邊緣保留算子分解成光滑度，照明，以及彩色層 。 接著，面部的地標和顯著特徵被提取作為掩模生成輸入約 束 。3區域感知掩模已獲得之後，用戶可以簡單地通過調節 皮膚參數執行面部美化 。此外，參數的組合可自動優化，根 據數據先驗和心理知識 。我們進行定性和定量評價我們的方 法使用的面不同性別，種族，年齡，姿勢，以及背景從各種 數據庫。 4.LFW ： 專為研究無約束人臉識別問題正面照片數據庫標記面 孔。該數據集包含從網上收集的面孔超過 13,000圖像 。每一 個面已經貼上合照的人的名字 。描繪的人 1680 具有兩個或更 多個不同的照片中的數據集。這些面的唯一限制是，他們是 由中提琴 -瓊斯的臉檢測器檢測 。現在有四組不同的 LFW圖 像，包括原件和三種不同類型的 “結盟”的圖像 。經過對齊 的圖像包括 “漏斗狀的圖像” （2007 年ICCV），LFW-A ，它使 用對齊的未公開的方法，以及 “深漏斗”上的圖像（NIPS 2012）。在這些中，LFW-a和深漏斗圖像產生優異的結果為在 所述原始圖像和在漏斗狀圖像（ ICCV 2007）大多數人臉驗證 算法。 5.CRF ： 條件隨機域 (CRF)是一類 統計建模方法往往採用模式識 別和機器學習 ，在那裡它們被用於結構化的預測 。而普