【报告内容】

汇报人：戴可涛

汇报单位：太原理工大学

主题：《Multi-objective genetic programming for feature learning in face recognition》

1、Introduction

2、Background And Related Work

3、The Proposed Approaches

4、Experiments And Results

5、Conclusion

【报告总结】

1.待解决的问题

近年来，直接从人脸图像中自动学习特征进行分类是一种流行且有效的方法，如使用遗传规划或深度神经网络。但是基于神经网络的方法通常需要学习高维特征向量，并且需要大量的训练实例。而现有的基于遗传规划的方法都有一些局限性，比如说GP树所使用的函数太少，解的结构复杂，可解释性较差等，并且现在还没有多目标GP算法应用于同时实现分类性能最大化和学习特征数量最小化的多目标特征学习，因此，本研究通过开发新的多目标基于遗传规划的人脸识别特征学习算法来解决这个问题。

2.相关创新方案

本文有两点贡献：首先是提出了基于遗传规划的两种单目标特征学习算法和两种多目标特征学习算法，一共四种算法。第一个是普通的单目标遗传规划算法；第二个是带有两个目标权重的单目标算法；第三个是使用非支配排序的多目标算法；第四个是使用强帕累托的多目标算法。

第二点贡献是使用这四种算法在不同图像大小，实例数量和难度的四个人脸识别数据集上进行研究。比较了单目标的性能好还是多目标的性能好，也比较了两种多目标算法哪个性能更加优秀，最后验证了提出的新的个体表示方式是够能具有更好的性能。

3.实验总结

本文在4个不同难度的人脸识别数据集上测试了这些算法的性能，并与34种基准方法进行了比较。结果表明，两种多目标算法的分类性能相当，各有不同的侧重点，并且学习到的特征数量都比单目标的少。即使是在不同权重因子(α = 0.5和α = 0.8)下，两种多目标算法对两个目标的优化效果均优于GPFLW。同时，两种多目标算法相比起34种基准方法有更好或者相似的性能。

4.未来工作

未来，可以将通过开发一种自适应加权策略，在优化聚合目标函数时自动调整权重，从而进一步提高GPFLW的性能。在本研究中，我们研究了在基于GP的特征学习算法中使用非优势排序和强度帕累托的思想。还有许多其他的进化多目标算法，如基于分解的算法。在未来，我们将开发新的基于多目标GP的特征学习算法，以更好地搜索非支配解的帕累托前沿。

报告时间：2023年05月12日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)