Cvpr 2016 Latent Factor Guided Convolutional Neural Networks for Age-Invariant Face Recognition
Iccv 2013 Hidden Factor Analysis for Age Invariant Face Recognition
概述
最近看了兩篇隱變量分析的文章。這兩篇文章都是關於年齡不變的人臉識別的，把人臉特徵投影到兩個子空間，一個是年齡相關的子空間，一個是identity相關的子空間。然後用EM算法估計參數。這麼做的出發點是觀察到人臉的特徵有的是年齡相關的，有些是個體相關的。因此，顯式地對這兩個因素建模。
這種方法與聯合貝葉斯類似。
問題的數學形式
人臉的特徵可以表達成：
其中，t是一維的特徵向量，β是特徵向量均值，U是一個與identity相關的子空間，V是與年齡相關的子空間，
x,y分別是隱變量因子，ε是加性高斯噪聲。
模型的參數是：
{β,U,V,σ2}{β,U,V,σ2}
E步
接着用EM算法迭代估計模型參數以及隱變量的後驗概率。
需要知道在給定模型參數的時候隱變量的聯合分佈，作者證明了隱變量的充分統計量，並且用來更新模型參數。
所以在E步需要計算上述充分統計量
M步
證明了參數更新公式
根據2016年的那篇文章，可以用CNN提取卷積特徵，而全連接層的特徵則使用hfa來求。
實現
用center face的caffemodel作爲微調的模型，hfa部分用matlab實現，根據論文，只需要交叉訓練10次左右就可以有比較好的效果。數據集採用cacd2000.
……