1、大部分的人臉識別方法利用大量正確標(biāo)記的訓(xùn)練樣本來學(xué)習(xí)精度足夠高的識別模型。收集人臉圖像并對其進(jìn)行正確的標(biāo)記會耗費(fèi)大量的人力、物力，且現(xiàn)實情況中人臉圖像因光照等變化的影響而要求學(xué)習(xí)器能夠不斷學(xué)習(xí)新的知識。為了實現(xiàn)這種需求，研究者提出了增量學(xué)習(xí)和半監(jiān)督學(xué)習(xí)：前者利用增量數(shù)據(jù)去改善原始數(shù)據(jù)，混合后的數(shù)據(jù)保留了有用的部分而刪除了大部分無用的數(shù)據(jù)，使學(xué)習(xí)器能不斷進(jìn)行訓(xùn)練；后者有效利用無標(biāo)記的樣本，使分類精度盡量接近標(biāo)記已知時的結(jié)果。但當(dāng)新增的數(shù)據(jù)

2、集中含有噪聲時，這兩種方法各有弊端。文章所提方法適合于多次學(xué)習(xí)，利用少量標(biāo)簽正確的原始數(shù)據(jù)和含有類別噪聲的增量數(shù)據(jù)進(jìn)行學(xué)習(xí)。利用原始數(shù)據(jù)對增量集賦置信度，根據(jù)這個置信度刪除被判定為噪聲的樣本，學(xué)習(xí)出多個分類器，并采取不同的策略對測試集進(jìn)行投票決定其最終類別。本文主要取得了以下成果：
　　(1)提出了基于SVM的多個學(xué)習(xí)器方法Multi_SVM，并將其用于人臉識別。Multi_SVM方法基于SVM訓(xùn)練出多個分類器，對被判定為噪聲的數(shù)

3、據(jù)采取丟棄策略，對未知的測試樣本通過投票決定其最終類別。所有學(xué)習(xí)器對噪聲的容忍都是有一定限度的，這個限度的高低是決定分類器性能的重要指標(biāo)。實驗表明，Multi_SVM方法對噪聲有更強(qiáng)的抵抗能力。
　　(2)提出了基于TSVM的的多個學(xué)習(xí)器方法Multi_TSVM。Multi_TSVM方法與Multi_SVM方法思想相同，均將判斷為噪聲的樣本刪除，提高整個數(shù)據(jù)集的質(zhì)量后進(jìn)行學(xué)習(xí)。不同之處是Multi_TSVM方法中多個分類器的訓(xùn)練采