基于稀疏子空间聚类的跨域人脸迁移学习方法
Cross-domain face transfer learning based on sparse subspace clustering

人脸识别的效果很大程度上依赖于已标定的训练数据的规模，当训练样本严重不足时类内及类间分布的估计将会出现严重偏差。考虑到人工标定的成本过高，如果能对与目标问题相关的一些已有数据加以利用，以此来取代人工标定数据或减少人工标定的数据量，将为训练样本不足的人脸识别问题提供一套可行的解决方案。为此，拟针对这一问题发展出一种基于稀疏子空间聚类和鲁棒主成分分析的人脸迁移学习方法，在辅助数据满足多线性子空间假设下，能从无类标的异源辅助数据中实现信息迁移，挖掘对目标分类问题有益的成分