最小最大模塊化網(wǎng)絡及人臉屬性分類研究.pdf

1、本文的主要內(nèi)容是研究最小最大模塊化網(wǎng)絡的網(wǎng)絡冗余問題、先驗知識融入問題、擴展問題，以及最小最大模塊化網(wǎng)絡在人臉屬性分類中的應用。人臉屬性分類問題指的是基于人臉圖像的性別、年齡、表情和種族等屬性分類問題。本文主要討論性別分類和年齡估計問題。主要貢獻包括如下幾個方面： ⑴提出了線性最小最大模塊化網(wǎng)絡的反向搜索修剪方法。最小最大模塊化網(wǎng)絡的冗余性問題是最小最大模塊化網(wǎng)絡研究的一個重要研究問題。雖然我們可以用并行的機器來運算這些模塊，但

2、是如果模塊數(shù)過多，很難找到能夠大規(guī)模并行計算的機器。這個時候如果將最小最大模塊化網(wǎng)絡的冗余模塊修剪掉，則不但可以大大減少網(wǎng)絡的規(guī)模，而且可以減少并行計算的測試時間。本文探討了如何在線性最小最大模塊化網(wǎng)絡中進行網(wǎng)絡冗余模塊的修剪的算法，并在許多標準測試數(shù)據(jù)集合進行了仿真實驗，試驗結(jié)果表明大部分的冗余模塊可以被修剪掉，并且修剪后的網(wǎng)絡和修剪前的網(wǎng)絡具有相同的一般化性能。此外我們還把修剪后的最小最大模塊化網(wǎng)絡應用于工業(yè)圖像的故障診斷當中，得到

3、較好的試驗結(jié)果。最后我們還開發(fā)了一個基于最小最大模塊化網(wǎng)絡工業(yè)圖像故障檢測的演示系統(tǒng)。 ⑵提出了多分辨局部二進制模式方法。本文對人臉的特征提取方法進行了研究。我們將局部二進制模式方法(LBP)引入到人臉性別分類的特征提取當中，取得了較好的分類精度。進而，本文提出多分辨的局部二進制(MLBP)模式方法，并將該方法應用到性別分類中，取得比局部二進制模式方法更好的分類結(jié)果。我們還將多分辨的局部二進制模式人臉特征提取方法和最小最大模塊化

4、網(wǎng)絡結(jié)合，進行人臉的性別分類和年齡估計。 ⑶地討論了先驗知識在模式分類和機器學習中的重要性，討論了如何在最小最大模塊化網(wǎng)絡學習中融入先驗知識的方法。我們在具體的應用中，將角度信息、種族信息和性別信息分別做為先驗知識，融入到最小最大模塊化網(wǎng)絡的學習當中，取得了較好的實驗結(jié)果。 ⑷提出了最小最大模塊化網(wǎng)絡的可擴展性學習方法。本文詳細地討論了最小最大模塊化網(wǎng)絡的可擴展性能力，討論了如何將最小最大模塊化網(wǎng)絡的可擴展性應用到實際當

5、中。我們在具體的應用中，將帶有角度信息和種族信息的分類模塊在最小最大模塊化網(wǎng)絡的學習當中進行擴展性學習。通過擴展性學習，我們可以更加方便地進行系統(tǒng)的更新，能夠更加方便地處理大規(guī)模分類問題。 ⑸考慮到最小最大模塊化網(wǎng)絡具有并行性學習能力，先驗知識融入學習能力和可擴展能力，本文將最小最大模塊化網(wǎng)絡應用到性別分類當中。實驗證明最小最大模塊化網(wǎng)絡的上述優(yōu)點非常適合于解決像人臉性別分類這樣的大規(guī)模復雜問題。我們在對性別分類問題進行大量的實

6、驗后，證實最小最大模塊化網(wǎng)絡在許多方面都優(yōu)于傳統(tǒng)的分類器。這些優(yōu)點包括：與傳統(tǒng)分類器相比，具有較高一般化能力、具有更快訓練時間和測試時間以及具有非常靈活的可擴展性和先驗知識融入結(jié)構(gòu)。另外，我們開發(fā)了一個基于最小最大模塊化網(wǎng)絡的性別分類演示系統(tǒng)。 ⑹將性別信息做為先驗知識融入到最小最大模塊化網(wǎng)絡的學習當中，然后進行年齡的估計。實驗證明，在年齡估計中，最小最大模塊化網(wǎng)絡在許多方面都優(yōu)于傳統(tǒng)的分類器。這些優(yōu)點包括：具有更高的一般化能力