Représentations de composants indépendants pour la reconnaissance faciale

Dans une tâche telle que la reconnaissance faciale, une grande partie des informations importantes peut être contenue dans les relations d'ordre supérieur entre les pixels de l'image. Un certain nombre d'algorithmes de reconnaissance faciale utilisent l'analyse en composantes principales (ACP), qui est basée sur les statistiques d'ordre deux de l'ensemble d'images, et ne traite pas des dépendances statistiques d'ordre supérieur telles que les relations entre trois pixels ou plus. L'analyse en composants indépendants (ACI) est une généralisation de l'ACP qui sépare les moments d'ordre supérieur de l'entrée en plus des moments d'ordre deux. L'ACI a été effectuée sur un ensemble d'images faciales par un algorithme d'apprentissage non supervisé dérivé du principe de transfert optimal d'informations à travers des neurones sigmoïdes. L'algorithme maximise l'information mutuelle entre l'entrée et la sortie, ce qui produit des sorties statistiquement indépendantes sous certaines conditions. L'ACI a été réalisée sur les images faciales selon deux architectures différentes. La première architecture a fourni un ensemble de bases statistiquement indépendantes pour les images faciales qui peut être considéré comme un ensemble de caractéristiques faciales indépendantes. La seconde architecture a fourni un code factoriel, dans lequel la probabilité de toute combinaison de caractéristiques peut être obtenue à partir du produit de leurs probabilités individuelles. Les deux représentations ACI étaient supérieures aux représentations basées sur l'analyse en composantes principales pour la reconnaissance des visages à travers les sessions et les changements d'expression.