题目《Semi-Coupled Synthesis and Analysis Dictionary Pair Learning for Kinship Verification》

期刊：IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGYS

DOI: 10.1109/TCSVT.2020.3017683

摘要：基于人脸图像的血缘关系认证的难点：因为家庭成员人脸图像间的显著差异造成所提取的特征表征能力的不足。

创新点：1.联合学习2种特定视角合成字典对，同时从父母和孩子的训练数据中学习一个映射矩阵，利用该矩阵可将父母孩子的人脸图像变换到同一子空间的编码系数，并进行识别。2.设计了一个基于难样本的系数判别性约束项，以确保获得的系数具有良好的判别性。

字典学习：耦合字典学习的缺点1.在训练阶段常用0或1范数约束表示系数，导致计算量大

2.假设不同模式的图像间存在耦合字典，基于该假设每组图像对有相同的稀疏表示，但实际中因多模态图像间存在较大鸿沟这种假设并不合理。为此提出半耦合字典学习，半耦合字典学习可以捕获不同模式空间之间的稀疏表示的相关性，为描述图像结构提供更多的灵活性。

 SSADL：

表示有血缘关系的n个样本对，第i个父母和孩子特征，将训练集分成两个视角下的数据：父母数据和孩子数据

学习目标：联合学习两个分析字典和，以及两个合成字典

分析字典Px用于生成X的辨别性代码，Dx用于获得X的判别性重构

目标函数如下：

每一项具体解释：

数据保真项，确保Dx和Dy的表示能力。

有血缘关系的字典对有强的表示能力，反之则弱。

V被强加在PxXi上将父母图像系数投影到孩子图像的表征空间以缩小父母和子女之间的鸿沟

G表示训练集中的难样本对(i,j,k)，构造方法：首先，计算第i个父母和第j个孩子(ij有血缘关系)的距离记为d，然后，对中每个孩子k计算i和k的欧式距离，记为dk,(ik无血缘关系)，如果三元组(i,j,k)就被认为是一个难样本。也就是说当无血缘关系的样本对相似度大于有血缘关系样本对的相似度是就认为是难样本对。这里距离的度量采用的是欧式距离。

是F范数，

测试阶段：令表示图像特征，其编码系数为，计算a和b的cos相似度得出认证结果。

实验结果：

==============

本文是分别对父母及子女图像特征提取的基础上进行字典学习，找到一个新的特征子空间，不关注特征提取而是特征提取后再将父母及子女特征进行变换，使得有血缘关系的样本对距离更近，无血缘关系的样本对距离更远。感觉原理有点像孪生网络，但文中并没有和相似结构的孪生网络算法的性能进行对比。此外，按相似度得到验证结果，文中并未给出相似度的取值说明，以及训练测试样本对的大小也缺乏详细说明。但难样本的构造和使用有一定启发。

因本人水平有限，欢迎大家交流指正！