基于自步學習的半監督特征選擇算法研究

史彩娟 谷志斌

摘要：圖像往往由高維特征向量表示，為了有效地從高維特征向量中選取最具有判別性的低維特征向量，學者們提出了多種特征選擇算法，其中基于圖拉普拉斯的半監督特征選擇算法得到了廣泛的應用，但是，現有的算法在特征選擇過程中忽略了不同樣本的不同復雜度。為了克服這個缺點，文章將自步學習引入到特征選擇過程中，有效提升了特征選擇性能。

關鍵詞：特征選擇;自步學習;半監督學習;降維

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）15-0210-01

1引言

在計算機視覺和模式識別等領域中，圖像往往由高維特征向量表示，高維數據往往會增加處理數據的復雜度。為了有效地從高維特征向量中選取最具有判別性的低維特征向量，學者們提出了多種特征選擇算法，其中基于圖拉普拉斯的半監督特征選擇算法憑借其良好的性能，得到了廣泛的應用。但是，現有的算法大都是直接將所有樣本納入訓練過程，忽略了不同樣本的復雜度。為了克服這個缺點，文章將自步學習引人到特征選擇過程中，克服了傳統算法中的缺點，提升了特征選擇的性能。

2基于自步學習的特征選擇算法別所輸人人臉的真偽。那么如何自動地、高效地辨別圖像真偽抵抗欺騙攻擊以確保系統安全已成為人臉識別技術中一個迫切需要解決的問題。本文基于dlib人臉檢測和關鍵點獲取的基礎上對視頻流中采集到的人臉進行追蹤與判斷，實驗中采集到的人臉較多為平視攝像頭，對于側臉，遮擋等處理效果需要進一步設計與改進。

由公式（2）可以看出，SP-SSFS框架比公式（1）中多了自步正則項f（θ;δ），其中，θ是表示樣本權重的參數，δ是自步函數中的步長參數為自步正則項，通過加入自步正則項使得算法在訓練過程中，首先訓練簡單的樣本，然后再訓練復雜的樣本，進而提升特征選擇的性能。

3結論

本文將自步學習應用于特征選擇中，提出了一個新的自步半監督特征選擇算法。該算法通過引入自步學習，使得在特征選擇過程中，充分地利用了不同訓練數據的不同復雜度，提升了特征選擇的性能。