资料下载
如何使用特征级和决策级融合进行人脸吸引力评价方法概述
分享资料个
在个性化的人脸吸引力的研究中，由于特征缺失和对于大众审美的影响因素考虑不足，导致预测个人偏好无法到达很高的预测精度。为了提高预测精度，提出了一个基于特征级和决策级信息融合的个性化人脸吸引力预测框架。首先，将代表不同人脸美丽特征的客观特性融合到一起，利用特征选择算法挑选出具有代表性的人脸吸引力特征，并利用不同的信息融合策略将人脸局部、全局特征融合起来；然后，将传统的人脸特征与通过深度网络自动提取的特征融合起来。同时，提出多种融合策略进行对比，将代表着大众审美偏好的评分信息与代表个人偏好的个性化评分信息进行决策级融合，最终实现个性化的人脸吸引力预测评分。实验结果表明，相比现有针对个性化人脸吸引力评价研究的算法，所提的多层次融合方法在预测精度方面有显著的提升，能够达到Pearson相关系数0.9以上。该方法可用于个性化推荐、人脸美化等领域。
深度学习和机器学习等技术的发展，可以使网络自动学习并选取多种特征用于分类或识别，从而达到很高的精度。在人脸检测领域，因为人脸包含着丰富而又复杂的信息，往往会提取多种面部特征信息进行融合并筛选，从而实现更高的检测精度。在交友或面试等很多社交场合，人脸吸引力作为第一印象，发挥着很重要的作用。区别于简单的人脸检测，人脸吸引力的检测不仅涉及到人脸的多种特征的融合，更包含个人的审美和大众审美偏好等决策因素。目前人脸可用于吸引力分析的特征可分为两大类：一类是脸型轮廓、几何比例、肤色、对称性等全局特征；一类是皮肤纹理、五官尺寸等局部特征。Eisenthal等提出基于人脸的37个距离特征和头发颜色、面部平滑程度、人脸对称性作为人脸吸引力程度的表征特征，这是在人脸吸引力预测领域的最初探索。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
