《中国人工智能学会通讯》——11.52 基于直推式学习的异质人脸图像 合成
11.52 基于直推式学习的异质人脸图像 合成
前面介绍的方法都是基于归纳式学习(InductiveLearning) 的,这些方法取得了不错的效果,但是它们也使得测试样本风险误差增加,进而可能影响合成图像的质量。这是因为归纳式学习是对训练样本进行最小化经验风险误差,学习得到一定的规则,然后在此规则指导下,对测试样本进行分类、回归或者其他操作,这个过程中测试样本完全不参与训练过程。而直推式学习 (Transductive Learning) 是将所有的样本(包括测试样本和训练样本)一起进行学习,以最小化损失函数在测试样本上的风险误差为目标,因而有望能够从一定程度上提高在测试样本上的表现。结合直推式学习与贝叶斯推理[14] ,下面提出一种贝叶斯框架下的基于直推式学习的人脸画像 - 照片合成方法,且仍以人脸画像合成为例详细介绍该方法。
用 Y 表示训练和测试照片划分成的块组成的矩阵,X 表示对应的训练画像和待合成的画像划分成的块组成的矩阵,W 表示重构权值组成的矩阵。这些列向量均按行排列,即 Y 中的每个行向量代表一个照片块,X 与 W 中的行向量有类似的含义。
画像和照片块采样由隐含变量 W 控制的联合概率分布 P(X,Y,W),可以分解这个产生过程如下:P(X,Y,W)=P(X,Y|W)P(W)=P(X|Y,W)P(Y|W)P(W) (2)这里,P(W) 表示隐含变量 W 的先验;P(Y|W) 表示在已知隐含变量 W 的情况下产生照片 Y 的条件概率;P(X|Y,W) 表示在隐含变量 W 和照片 Y 已知的情况下产生画像 X 的条件概率。先验概率通常被当作对 W 约束的一个正则项,这里我们用相邻合成画像块之间的覆盖区域要尽量兼容来对先验概率进行建模。
在人脸画像合成中,照片集 Y 是已知的,因而 P(Y|W) 是一似然函数,可以由高斯函数进行建模 ( 使用高斯函数建模首先是因为模型容易优化求解;其次是因为高斯分布是常见的比较合理的模型假设 )。当 W 已知情况下,X 是条件独立 于 Y 的, 即 P(X,Y|W)=P(Y|W)P(X|W), 因 而P(X|Y,W)=P(X|W)。比较直观的是,P(X|W) 可以用一系列独立同分布的高斯函数来表示。可以使用交替优化的方法来求解上述问题,得到一个局部最优解,算法框图见图 4。
《中国人工智能学会通讯》——11.52 基于直推式学习的异质人脸图像 合成相关推荐
- 《中国人工智能学会通讯》——12.58 大数据不确定性学习的研究
12.58 大数据不确定性学习的研究 一个建立在常规数据集上的学习模型和算法一般是不能拓展到大数据的,原因有多个.基于不确定性的学习模型自然也是如此.不确定性的处理对大数据学习更为重要,有些与不确定性 ...
- 《中国人工智能学会通讯》——11.51 基于幻象技术的异质人脸图像合成
11.51 基于幻象技术的异质人脸图像合成 基于稀疏特征选择的方法,以及现有的大部分算法在合成人脸图像时,多是采用线性组合的方式.线性组合,即线性加权平均,可以看作一低通滤波器,会过滤掉一些高频细节信 ...
- 中国人工智能学会通讯——基于视频的行为识别技术 1.7 视频的深度分段网络...
1.7 视频的深度分段网络 下面介绍另外一个工作,是我们和 CUHK.ETH 联合开展的,这个工作考 虑视频的分段特性,我们知道视频可以分 成很多段,每一段有不同的内容.我们 开发了一个深度模型,对不 ...
- 中国人工智能学会通讯——智能系统测评:挑战和机遇
上面的四个报告从四个维度讨论了智能系统测评的不同方面--产业.基础.基础和伦理.我受中国人工智能学会的委托,组织这次分论坛,为此对这个领域做了一些调研和思考,从现状和挑战这两个方面做了一些初步总结. ...
- 中国人工智能学会通讯——无智能,不驾驶——面向未来的智能驾驶时代 ( 下 )...
到目前为止似乎比较完美,而实际还 存在着一些问题.我们现在看到很多道 路上面,交通标志牌它的分布非常稀疏, 可能每过一两公里才能够检测出来一个 交通标志牌,因为毕竟这个深度学习算 法是目前最完美的,它 ...
- 中国人工智能学会通讯——深蓝、沃森与AlphaGo
在 2016 年 3 月 份,正当李 世石与AlphaGo 进行人机大战的时候,我曾经写过 一 篇< 人 工 智 能 的 里 程 碑: 从 深 蓝 到AlphaGo>,自从 1997 年深 ...
- 《中国人工智能学会通讯》——11.64 基于成对约束的属性特征选择
11.64 基于成对约束的属性特征选择 属性学习常面临低层特征维度特别高的问题.例如,在 Animals With Attributes 数据集中,每张图片对应 6 种类型的特征,即 2 688 维的 ...
- 《中国人工智能学会通讯》——11.34 基于近似动态规划的优化控制研究及 在电力系统中的应用...
11.34 基于近似动态规划的优化控制研究及 在电力系统中的应用 上世纪 50 年代以来,在空间技术发展和数字计算机实用化的推动下,动态系统的优化理论得到了迅速的发展,形成了一个重要的学科分支--最优 ...
- 《中国人工智能学会通讯》——11.70 基于黎曼流形稀疏表示的视觉目 标跟踪方法...
11.70 基于黎曼流形稀疏表示的视觉目 标跟踪方法 如引言所述,视觉目标跟踪中表观建模主要分为目标表示和统计建模两部分.上两节主要关注的是在跟踪中如何设计一种有效的统计模型.本节主要关注的是表观建模 ...
最新文章
- ubuntu 14.04 使用apt-get出现如下问题解决办法
- 永远记住9月26号这一天!
- ibatis如何支持clob 和blob
- MSN工具条不兼容IE7
- python矩阵教程_numpy教程:矩阵matrix及其运算
- Java用户修改密码
- 啃碎并发(二):Java线程的生命周期
- android windows 上JNI编程
- 生产者消费者_【Java面试】实现生产者消费者模式
- python的类和对象例题_Python类、类对象和实例对象、组合、绑定详细讲解
- Python备份文件实现以及备份大文件出错解决方案
- 关于时间格式的解析问题
- 使用python来刷csdn下载积分(一)
- Linux运行exe程序
- 使用 Java 下载FTP文件
- 对TMS320F28335存储空间的理解
- 去水印程序源码大全源码
- ubuntu下 分辨率设置
- 服务器开发是做什么的和必备技术汇总
- 基于51单片机的蓝牙小车制作【新手向
热门文章
- 使用 SQL Server 2012 Analysis Services Tabular Mode 表格建模 图文教程
- Java值传递与引用传递
- Vivado安装器件不全
- feign调用多个服务_Spring Cloud多个微服务之间调用代码实例
- python怎么使用int四舍五入_python中如何取整数
- 计算机桌面是哪个盘,windows的桌面文件夹是哪个?
- go kegg_3分钟了解GO/KEGG功能富集分析
- 使用openpyxl处理表格数据
- KALI LINUX文件名乱码,在kali linux之下 下载并解压的文件名呈现乱码 解决方案
- 迁移学习之DenseNet121(121层),DenseNet169(169层),DenseNet201(201层)(图像识别)