単一トレーニングサンプルによる顔認識のための識別的マルチマニフォールド解析

従来の外観に基づく顔認識手法は、トレーニングフェーズ中に識別的特徴抽出のために、個人あたり複数のサンプル（MSPP）が利用可能であると仮定することが一般的です。しかし、法執行、電子パスポート、IDカード認識などの多くの実用的な顔認識アプリケーションでは、この仮定は成立しない場合があります。なぜなら、これらのシステムには、個人あたり単一のサンプル（SSPP）のみが登録または記録されているからです。このシナリオでは、人気のある多くの顔認識手法が十分に機能しないのは、判別学習のためのサンプルが不十分であるためです。この問題に対処するために、本論文では画像パッチから識別的特徴を学習する新しい識別的マルチマニフォールド解析（DMMA）方法を提案します。まず、登録された各顔画像をいくつかの非重複パッチに分割し、個人あたりのサンプルの画像セットを形成します。次に、SSPP顔認識をマニフォールド-マニフォールドマッチング問題として定式化し、異なる個人のマニフォールドマージンを最大化するために複数のDMMA特徴空間を学習します。最後に、ラベルのない対象を特定するための再構成に基づくマニフォールド-マニフォールド距離を提示します。提案されたアプローチの有効性を示すために、広く使用されている3つの顔データベースでの実験結果を示します。