自适应NMF：解决人脸识别少样本问题的关键策略

本文主要探讨了自适应非负矩阵分解（Adaptive Non-negative Matrix Factorization, A-NMF）在人脸识别领域的应用研究。在当前大数据背景下，人脸识别作为重要的生物识别技术，在机场、安防等多个场景中发挥着关键作用，然而传统的基于大数据的方法面临着样本标记量大、模型训练时间长等问题，限制了其实际应用中的性能。 自1999年非负矩阵分解算法引入以来，由于其数据非负性约束，使得NMF成为一种有效的无监督特征提取手段。它通过对高维人脸图像进行特征降维，降低了计算复杂度。然而，NMF在分解过程中可能忽视了图像的潜在结构信息，导致特征表达能力有限。 针对这一问题，陈子健等人提出了结合Gabor变换和二维NMF的解决方案，先利用Gabor变换提取人脸特征，再通过二维NMF进行特征降维。尽管这种方法保留了原始矩阵的高维数据特性，但仍存在信息丢失和复杂度高的局限。 本文作者覃阳和肖化针对单样本或小样本人脸识别系统面临的样本数量不足、分类精度低以及虚拟样本单一性等问题，提出了A-NMF方法。他们首先在矩阵分解阶段通过调整矩阵维度和迭代次数，生成多种重构样本，以增加样本多样性。接着，他们运用QR分解的稀疏表示技术来实现人脸分类，这种方法有助于捕捉和利用样本间的关联性。 文章的核心在于通过自适应调整参数，优化重构样本，以提高分类效果。实验部分，作者在ORL、Yale和AR等多个知名的人脸识别数据库上验证了A-NMF方法的有效性和鲁棒性。通过这种方式，A-NMF能够在少样本条件下提升人脸识别的准确性和稳定性，为实际应用提供了一种新的策略。整个研究强调了适应性和灵活性在解决小样本人脸识别挑战中的重要性。