无约束人脸图像深度密度聚类算法.pdfVIP

无约束人脸的深度密度聚类

Wei‑AnLinJun‑ChengChenCarlosD.Castillo

RamaChellappa马里兰大学，学院公园

walin@umd.edupullpull@cs.umd.educarlos@cs.umd.edurama@umiacs.umd.edu

在本文中，我们考虑了一个问题，即对一个包含

无约束人脸图像的集合进行分组，其中被摄对象的数

量未知。我们提出了一种基于特征空间局部邻域之间

密度亲和度测量的无监督聚类算法，称为深度密度聚

类（DDC）。通过学习每个邻域的最小覆盖球，封装

了关于底层结构的信息。该封装还能够定位邻域的高

密度区域，这有助于测量邻域相似性。我们从理论上

图1：我们引入了用于无约束人脸图像的深度密度聚

证明，该封装渐近收敛到Parzen窗口密度估计器。我

类（DDC）。DDC是一种基于密度的聚类算法，它利

们的实验表明，当被摄对量未知时，DDC是无约

用深度特征的局部结构来改进相似性度量。

束人脸聚类的一个优越候选者。与传统的和基于

密度的方法不同，这些方法作点的选择敏感，

DDC获得了更一致且改进的性能。此外，密度感知特

觉变化由诸如姿态、光照和表情等干扰因素引起，可

性减少了找到合适操作点的难度。

能大于主体之间的变化。据我们所知，很少有以前的

工作解决了这一具有性的问题。关于人脸聚

类的工作首先使用深度神经网络（DNN）提取特征向

量，然后直接在特征空间中对数据进行分组。基于深

度特征的人脸聚类通常比其他无监督方法具有优势，

1.引言因为训练数据中存在辅助信息。然而，由于聚类算法

通常处理未见过的数据，这些方法将在不同域间的数

给定一组未见过的人脸图像，人类有能力通过利

据分布发生变化时受到影响。因此，应考虑底层结构

用先前学习到的关于人脸基本组成部分和同一人可能

以防止性能下降。

存在的面部变化的知识，对不同主体的数量进行分组

和总结。在计算机视觉研究中，这对应于将视觉数据

聚类成具有目标语义的任务。大多数现有的无监督算为了解决上述，我们提出了一种聚类框架，

法将数据聚类成视觉上相似的簇，而忽略了潜在的语称为深度密度聚类（DeepDensityClustering,

义。手写数字或连续帧中出现的脸部聚类的成功DDC），该框架利用了深度表示的邻域结构。DDC

主要基于属于同一类别的图像是视觉上相似的。包含三个主要步骤：提取深度特征、计算基于密度的

对于具有类内变化的视觉数据，这些方法可能不相似性以及合并聚类。新颖之处主要在于第二步：

适用。在这项工作中，我们专注于在没有先验知识的DDC首先将每个数据点与一个‑邻域关联起来。然后，

情况下对不受约束的人脸图像进行聚类，以确定不同邻域内的点由一个最小覆盖球表示，该球封装了局部