【论文阅读3】稀疏、协同、自适应：人脸稀疏识别算法三剑客的恩怨情仇

🏗️最近研究人脸识别算法，发现了一个特别有意思的技术演进故事。今天就用最通俗的方式，给大家讲讲SRC、CRC、ASRC这三个算法------它们就像一个家族的三代人，每一代都解决了上一代的问题，让机器认脸越来越聪明。

【注】以下内容都是以生动的例子解释，没有具体的公式及推导，想了解具体内容，可以自行阅读论文，博主只是为了记录，方便复习。

[🎯第一代：SRC（稀疏表示分类）------ "精英挑选者"](#🎯第一代：SRC（稀疏表示分类）—— “精英挑选者”)

[💡第二代：CRC（协同表示分类）------ "团队协作者"](#💡第二代：CRC（协同表示分类）—— “团队协作者”)

[✨第三代：ASRC（自适应稀疏表示分类）------ "智能军师"](#✨第三代：ASRC（自适应稀疏表示分类）—— “智能军师”)

🎯第一代：SRC（稀疏表示分类）------ "精英挑选者"

核心思想：找最像的几个人

想象一下，你要在一家大公司里找一个新人。SRC的做法是："只找几个最像的老员工来辨认他"

它的工作方式：

优点： 简单直接，在某些情况下效果不错。
缺点： 速度慢 （精挑细选需要时间），而且容易误判------万一最像的几个人不是他真正的同事呢？

现实例子：

你要认出一个明星，但只允许你对比他最像的3张照片。如果你选错了对比对象（比如选了他长得像的另一个明星），就会认错人。

核心发现：其实不需要那么"挑剔"

CRC的研究者发现了一个惊人事实："让所有人一起帮忙辨认，效果差不多，但速度快了1000倍！"

核心突破：

它的工作方式：

革命性优势：

现实例子：

现在你认明星，可以让所有粉丝都来投票。虽然有些别家粉丝也会投票，但真爱的粉丝团票数自然会集中，而且统计票数比一个个比对快多了

核心问题：当遇到"双胞胎"怎么办？

CRC虽然快，但遇到了新挑战：长得太像的人，怎么区分？

ASRC的智慧：具体情况具体分析

ASRC就像一个经验丰富的HR："普通员工用快速筛查，疑似双胞胎就启动深度调查"

【总结】：对于不同类别的样本之间高度相关，使用ASRC, 就明显解决了SRC和CRC遇到的问题。

【补充】

SRC：提出了"用线性表示来分类"的革命性想法，但陷入了"必须稀疏"的执念。

CRC ：看透本质，发现"协同表示才是王道"，用l₂正则化+闭式解实现了速度的降维打击。

ASRC：面对现实世界的复杂性，给算法加上了"情境感知"能力，让机器学会了"看情况办事"。