[论文解读] Complex Matrix Factorization for Face Recognition

Viet-Hang Duong, Yuan-Shan Lee+4 more|arXiv (Cornell University)|Dec 8, 2016

Face and Expression Recognition参考文献 23被引用 4

一句话总结

本文提出复矩阵分解（CMF）及其稀疏（SpaCMF）和图正则化（GraCMF）变体，通过将实值人脸图像转换为复矩阵，实现更有效的特征提取与重建。该方法在复数域中构建无约束优化问题，利用复向量空间的增强表示能力，提升识别准确率。

ABSTRACT

This work developed novel complex matrix factorization methods for face recognition; the methods were complex matrix factorization (CMF), sparse complex matrix factorization (SpaCMF), and graph complex matrix factorization (GraCMF). After real-valued data are transformed into a complex field, the complex-valued matrix will be decomposed into two matrices of bases and coefficients, which are derived from solutions to an optimization problem in a complex domain. The generated objective function is the real-valued function of the reconstruction error, which produces a parametric description. Factorizing the matrix of complex entries directly transformed the constrained optimization problem into an unconstrained optimization problem. Additionally, a complex vector space with N dimensions can be regarded as a 2N-dimensional real vector space. Accordingly, all real analytic properties can be exploited in the complex field. The ability to exploit these important characteristics motivated the development herein of a simpler framework that can provide better recognition results. The effectiveness of this framework will be clearly elucidated in later sections in this paper.

研究动机与目标

• 为解决传统实值矩阵分解在人脸识别中的局限性，利用复数表示。
• 开发一种将实值人脸数据转换为复矩阵的框架，以利用复数域的更丰富分析特性。
• 在复数域中构建无约束优化问题，以提升特征学习与重建能力。
• 通过稀疏与图正则化约束提升识别性能。

提出的方法

• 将实值人脸图像矩阵转换为复值矩阵，以支持复数域分析。
• 提出一种复矩阵分解（CMF）方法，通过无约束优化问题将复矩阵分解为基矩阵与系数矩阵。
• 通过在系数矩阵中引入 L1-范数正则化项，提出稀疏复矩阵分解（SpaCMF），以促进稀疏性。
• 将图正则化整合到复分解中（GraCMF），以在复数空间中保持人脸数据的局部流形结构。
• 基于实值的重建误差定义目标函数，实现复数域中的高效优化。
• 利用 N 维复数空间等价于 2N 维实数空间的特性，充分运用实数分析性质。

实验结果

研究问题

• RQ1 与传统实值方法相比，复矩阵分解能否提升人脸识别性能？
• RQ2 在复数域中，系数矩阵的稀疏性如何影响识别准确率？
• RQ3 在复数空间中引入图正则化在多大程度上能保持局部数据结构并提升识别性能？
• RQ4 将实值人脸数据转换为复矩阵是否能实现更有效且稳定的表示以用于识别任务？
• RQ5 复数域中的无约束优化能否优于实数域中的约束公式？

主要发现

• 所提出的复矩阵分解方法通过利用复向量空间的增强表示能力，实现了更高的人脸识别准确率。
• SpaCMF 通过在复数域中引入 L1 正则化，促进紧凑表示，表现出更好的特征稀疏性与识别性能。
• GraCMF 有效保持了人脸数据的局部流形结构，从而在数据变化下实现更鲁棒的识别。
• 将实值数据转换为复矩阵可支持无约束优化，相比约束实数域方法，简化了求解过程。
• 该框架通过优化的基矩阵与系数矩阵，为人脸数据提供参数化描述，提升了重建保真度与识别鲁棒性。