基于增量标号噪声数据学习的人脸识别研究-计算机应用技术专业论文.docxVIP

承诺书 本人声明所呈交的硕士学位论文是本人在导师指导下进 行的研究工作及取得的研究成果。除了文中特别加以标注和致 谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得南京航空航天大学或其他教育机构的学位 或证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本承诺书） 作者签名： 日 期： 南京航空航天大学硕士学位论文 南京航空航天大学硕士学位论文 基于增量标号噪声数据学习的人脸识别研究 基于增量标号噪声数据学习的人脸识别研究 - - I - - - PAGE VIII - 摘 要 大部分的人脸识别方法利用大量正确标记的训练样本来学习精度足够高的识别模型。收集 人脸图像并对其进行正确的标记会耗费大量的人力、物力，且现实情况中人脸图像因光照等变 化的影响而要求学习器能够不断学习新的知识。为了实现这种需求，研究者提出了增量学习和 半监督学习：前者利用增量数据去改善原始数据，混合后的数据保留了有用的部分而删除了大 部分无用的数据，使学习器能不断进行训练；后者有效利用无标记的样本，使分类精度尽量接 近标记已知时的结果。但当新增的数据集中含有噪声时，这两种方法各有弊端。文章所提方法 适合于多次学习，利用少量标签正确的原始数据和含有类别噪声的增量数据进行学习。利用原 始数据对增量集赋置信度，根据这个置信度删除被判定为噪声的样本，学习出多个分类器，并 采取不同的策略对测试集进行投票决定其最终类别。本文主要取得了以下成果： (1) 提出了基于 SVM 的多个学习器方法 Multi_SVM，并将其用于人脸识别。Multi_SVM 方法基于 SVM 训练出多个分类器，对被判定为噪声的数据采取丢弃策略，对未知的测试样本通过投票决 定其最终类别。所有学习器对噪声的容忍都是有一定限度的，这个限度的高低是决定分类器性 能的重要指标。实验表明，Multi_SVM 方法对噪声有更强的抵抗能力。 提出了基于 TSVM 的的多个学习器方法 Multi_TSVM。Multi_TSVM 方法与 Multi_SVM 方法思 想相同，均将判断为噪声的样本删除，提高整个数据集的质量后进行学习。 不同之处是 Multi_TSVM 方法中多个分类器的训练采取的是 TSVM 方法。实验表明，Multi_TSVM 能进一步提 高 Multi_SVM 的性能。 对 Multi_SVM、Multi_TSVM 与 TSVM 进行比较。实验中我们得出：Multi_SVM 方法、Multi_TSVM 方法与 TSVM 方法性能均优于 SVM，且 Multi_TSVM 方法优于 Multi_SVM 方法。 关键词: 人脸识别，机器学习，噪声学习，增量学习, 半监督学习，直推学习,SVM,多分类器学 习 ABSTRACT Most methods of face recognition use amounts of corrected labeled samples to learn recognition models with high curate. Collecting face images and labeling them will consume plenty of manpower. Further more, in real life, the impact of lighting needs classifiers learn new knowledge continually. To achieve this acquirement, researchers advance incremental learning and semi-supervised learning: The former one makes use of incremental data set to improve the initial data set then mix them, the mixed sets preserve the useful part and delete the most useless data, making classifiers train continually; The latter one utilizes the unlabeled samples to make the accurate approach the result of labeled ones. However, when the increment set contains noise, these meth