[发明专利]多输出回归网络及学习方法

权利要求书

1.一种用于学习输入-输出关系的多输出回归网络，对输入的人脸图像进行人脸标定，包括：

多个输入节点，用于接收输入的人脸图像数据x_i，所述人脸图像数据表示成一个特征向量；

多个中间节点，其与所述多个输入节点之间形成非线性网络层，所述非线性网络层通过非线性映射将所述输入的人脸图像数据x_i映射到所述多个中间节点，所述多个中间节点对经过非线性映射的人脸图像数据x_i施加预定函数；和

多个输出节点，其与所述多个中间节点之间形成线性网络层，所述线性网络层通过线性映射将施加了所述预定函数的人脸图像数据x_i映射到所述多个输出节点，作为输出的人脸标定数据y_i进行输出；其中，

所述多输出回归网络通过在给定所述输入的人脸图像数据x_i和所述输出的人脸标定数据y_i的条件下对所述非线性映射的映射参数W和所述线性映射的映射参数S进行联合优化，学习所述输入的人脸图像数据x_i与所述输出的人脸标定数据y_i之间的关系；

在进行所述联合优化时，对所述非线性映射的映射参数W施加了稀疏限定，对所述线性映射的映射参数S施加了低秩限定；

利用以下联合优化目标函数执行所述联合优化：

其中，D为所述中间节点的数量，N为样本数量，||·||_2,1表示所述稀疏限定，||·||_*表示所述低秩限定，||·||_F表示F范数归一化。

2.根据权利要求1所述的多输出回归网络，其中，所述预定函数处理为余弦函数。

3.根据权利要求1所述的多输出回归网络，其中，通过迭代更新，确定使所述联合优化目标函数收敛的所述非线性映射的映射参数W和所述线性映射的映射参数S的优化值，进而学习所述输入的人脸图像数据x_i与所述输出的人脸标定数据y_i之间的关系。

4.一种计算机可读存储介质，其存储有程序，对输入的人脸图像进行人脸标定，所述程序被处理器执行时可控制包括多个输入节点、多个中间节点和多个输出节点的多输出回归网络，所述多个输入节点用于接收输入的人脸图像数据x_i，所述多个中间节点与所述多个输入节点之间形成非线性网络层，所述非线性网络层通过非线性映射将所述输入的人脸图像数据x_i映射到所述多个中间节点，所述多个中间节点对经过非线性映射的输入的人脸图像数据x_i施加预定函数，所述多个输出节点与所述多个中间节点之间形成线性网络层，所述线性网络层通过线性映射将施加了所述预定函数的输入的人脸图像数据x_i映射到所述多个输出节点，作为输出的人脸标定数据y_i进行输出，

所述程序被处理器执行时控制所述多输出回归网络实现以下步骤：

通过在给定所述输入的人脸图像数据x_i和所述输出的人脸标定数据y_i的条件下对所述非线性映射的映射参数W和所述线性映射的映射参数S进行联合优化，学习所述输入的人脸图像数据x_i与所述输出的人脸标定数据y_i之间的关系；

在进行所述联合优化时，对所述非线性映射的映射参数W施加了稀疏限定，对所述线性映射的映射参数S施加了低秩限定；

利用以下联合优化目标函数执行所述联合优化：

其中，D为所述中间节点的数量，N为样本数量，||·||_2,1表示所述稀疏限定，||·||_*表示所述低秩限定，||·||_F表示F范数归一化。