2016-26cvpr.pdf

跨视图识别是计算机视觉中的一个重要问题，它主要是对不同视图之间的样本进行分类。不同的视图之间的巨大差异使得这个问题相当具有挑战性。为了消除复杂的(甚至是高度非线性的)视点差异以获得良好的跨视点识别，我们提出了一个多视点深度网络(multi-view deep network, MvDN)，该网络寻求多个视点之间共享的非线性鉴别和视点不变表示。具体来说，我们提出的MvDN网络由两个子网络组成，视图特定的子网络试图消除视图特定的变化，下面的公共子网络试图获得所有视图共享的公共表示。作为MvDN网络的目标，从所有视图的样本中计算Fisher损失，即瑞利商目标，以指导整个网络的学习。因此，来自MvDN网络顶层的表示法对差异具有鲁棒性，并且具有区分性。分别在13和2个视图的3个数据集上进行的跨姿态和跨特征类型的人脸识别实验表明了该方法的优越性，特别是与典型的线性方法相比