CoNAN：用于无约束人脸特征融合的条件神经聚合网络
计算机视觉与模式识别
2023-07-21 v1 人工智能
机器学习
摘要
在不受监管与控制的场景下（如远距离、低分辨率、视角变化、光照、姿态与大气条件）获取的图像集上进行人脸识别具有挑战性。人脸特征聚合，即将模板中存在的 N 个特征表示聚合为单一全局表示，在此类识别系统中起着关键作用。传统人脸特征聚合的现有工作要么利用元数据，要么利用高维中间特征表示来估计特征质量以进行聚合。然而，在远距离与高海拔场景下捕获的极低分辨率人脸，生成高质量元数据或风格信息并不可行。为克服这些局限，我们提出一种称为 CoNAN 的特征分布条件化方法用于模板聚合。具体而言，我们的方法旨在学习一个基于输入特征集分布信息进行条件化的上下文向量，并据此根据各特征的估计信息量对其进行加权。所提方法在 BTS 与 DroneSURF 等远距离无约束人脸识别数据集上取得了最先进的结果，验证了此类聚合策略的优势。
引用
@article{arxiv.2307.10237,
title = {CoNAN: Conditional Neural Aggregation Network For Unconstrained Face Feature Fusion},
author = {Bhavin Jawade and Deen Dayal Mohan and Dennis Fedorishin and Srirangaraj Setlur and Venu Govindaraju},
journal= {arXiv preprint arXiv:2307.10237},
year = {2023}
}
备注
Paper accepted at IJCB 2023