Resumen

El reconocimiento facial (FR) con una sola muestra por persona (SSPP) es un reto en la visión por ordenador. Dado que solo hay una muestra que entrenar, es difícil predecir las variaciones faciales, como la pose, la iluminación y el disfraz. Para superar este problema, este trabajo propone un esquema que combina el método de aprendizaje tradicional y profundo (TDL) para procesar la tarea. En primer lugar, se propone un método de muestra expansiva basado en el enfoque tradicional. En comparación con otros métodos de muestra expansiva, el método puede utilizarse de forma fácil y cómoda. Además, puede generar muestras como el disfraz, la expresión y la variación mixta. En segundo lugar, utiliza el aprendizaje por transferencia e introduce un modelo de red neuronal convolucional profunda (DCNN) bien entrenado y, a continuación, selecciona algunas muestras en expansión para afinar el modelo DCNN. En tercer lugar, el modelo ajustado se utiliza para implementar el experimento. Los resultados experimentales en la base de datos de rostros AR, la base de datos de rostros Extend Yale B, la base de datos de rostros FERET y la base de datos LFW demuestran que TDL alcanza el rendimiento más avanzado en SSPP FR.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:métodos de muestra, red neuronal convolucional, base de datos de rostros feret, muestra, base de datos de rostros ar, base de datos lfw demostrar, sspp fr, modelo afinado, muestra única, enfoque tradicional
• Keywords:sample methods, convolutional neural network, feret face database, sample, ar face database, lfw database demonstrate, sspp fr, tuned model, single sample, traditional approach