朱俊勇，逯 峰

(1. 中山大学数据科学与计算机学院, 广东 广州 510006；2. 广州市刑事科学技术研究所，广东 广州510050)

基于稀疏子空间聚类的跨域人脸迁移学习方法

朱俊勇1,2，逯 峰2

(1. 中山大学数据科学与计算机学院, 广东 广州 510006；2. 广州市刑事科学技术研究所，广东 广州510050)

人脸识别的效果很大程度上依赖于已标定的训练数据的规模，当训练样本严重不足时类内及类间分布的估计将会出现严重偏差。考虑到人工标定的成本过高，如果能对与目标问题相关的一些已有数据加以利用，以此来取代人工标定数据或减少人工标定的数据量，将为训练样本不足的人脸识别问题提供一套可行的解决方案。为此，拟针对这一问题发展出一种基于稀疏子空间聚类和鲁棒主成分分析的人脸迁移学习方法，在辅助数据满足多线性子空间假设下，能从无类标的异源辅助数据中实现信息迁移，挖掘对目标分类问题有益的成分。

稀疏子空间聚类；低秩矩阵分解；鲁棒主成分分析；跨域人脸迁移学习

最近几年，随着机器学习的快速推广和海量视频数据的日益剧增，计算机视觉领域的多个关键研究方向诸如人脸识别、物体检测、车辆分析等等取得了重大突破[1-2]。但是，目前主流的学习方法受限于大量的标记样本，当已标记的训练数据严重不足时，计算机在学习过程中往往会出现过拟合现象，使得学习得到的模型在测试过程中无法获得应有的效果。本文主要研究在有限标定样本的情况下，如何从未标定的异源辅助数据中挖掘对人脸识别有益的可迁移成分。……