信号・ノイズ間の双対性に着目した個人識別と表情認識の並行学習

关注信号与噪声二元性的个人识别与面部表情识别并行学习

• 批准号: 12750203
• 负责人: 平岡 和幸
• 金额: $ 1.34万
• 依托单位: Saitama University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Encouragement of Young Scientists (A)
• 财政年份: 2000
• 资助国家: 日本
• 起止时间: 2000 至 2001
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-12750203/
• 关键词: 複数属性; パターン認識; 機械学習; 顔画像; ニューラルネットワーク; 情報表現; 顔画像認識; 頑健性; 異課題並行学習; 相補型判別器; 信号ノイズ双対性; 複数属性; パターン認識; 機械学習; 顔画像; ニューラルネットワーク; 情報表現; 顔画像認識; 頑健性; 異課題並行学習; 相補型判別器; 信号ノイズ双対性

従来,パターン認識においては単一の属性の判別が扱われてきた.しかし,現実の課題は,顔画像からの表情判別と個人判別のように複数の属性を扱う必要がある.このような課題を従来の方法で扱うなら,表情判別と個人判別を独立に行うか,表情と個人の組を一つの属性とみなして判別を行うか,ということになる.しかし,前者では個人ごとの表情の差異への対応が難しく,後者では組み合わせの数が大きくなるためサンプルの確保が難しい.そこで,このような複数の属性を持つデータを扱うことのできるモデルを構築した.(a)顔画像認識で広く使われている線形判別分析に環境変化への適応能力を付加するオンライン線形判別分析アルゴリズムの開発・改良を行なった.応用として,本アルゴリズムを実時間顔画像判別システムに組み込んだ.(b)顔画像のように高次元のデータを扱うためには,有用な成分をできるだけ保存しつつ低次元の特徴量に変換することが必須となる.そこで,圧縮後のデータの分布が属性ごとにできるだけ異なるよう,という観点から,Kullback-Leibler情報量に基づいて変換を決定する手法を提案した.(c)複数属性を持つ高次元データに対し,各属性をそれぞれ低次元ベクトルで表現するモデルを,ニューラルネットで構築した.これを複数人物・複数表情の顔画像に適用し,人物・表情の全組み合わせが与えられていなくても,与えられた顔画像から欠けた組み合わせの顔画像を推定し,判別を行うことができた.(d)個人や表情のラベルがつけられていない顔画像だけを与えられて,個人別・表情別という複数の観点での分類を行うという,教師なし課題にも着手し,低次元の基本的な例題に対しての実験で分類に成功した.

过去，模式识别已经处理了单个属性的歧视。但是，真正的挑战要求处理多个属性，例如面部图像和个人歧视的面部表达歧视。如果我们以常规方式处理这样的问题，则有必要独立执行面部表情歧视和个人歧视，或者确定面部表情和个人对是否被视为一种属性。但是，在前者中，很难处理每个人的面部表情差异，而在后者中，很难获得样本，因为组合数量增加。因此，我们构建了一个可以处理具有多个属性的数据的模型。 （a）我们已经开发并改善了一种在线线性判别分析算法，该算法增加了适应环境变化对线性判别分析的能力，该分析被广泛用于面部图像识别。作为应用程序，将该算法纳入了实时面部图像歧视系统中。 （b）处理诸如面部图像之类的高维数据以实现此目的，必须将有用的组件转换为低维特征，同时尽可能多地存储。因此，从压缩数据的分布在每个属性方面都有很大不同的观点，提出了一种方法来根据Kullback-Leibler信息的数量来确定转换。 （c）使用神经网构建具有多个属性的高维数据的模型。这应用于面对多个人和多个表达式的图像，即使没有给出所有人和面部表情的组合，估计和歧视缺失的面部图像。 （d）我们还设定了一项无监督的任务，在该任务中，只给出了没有标记的个人和面部表情的图像，并从多个角度（例如个体和面部表情）进行了分类，并且在基本的低维示例实验中，分类成功。