融合学习特征与手工特征用于无约束人耳识别
计算机视觉与模式识别
2017-10-24 v1
摘要
我们提出一个无约束人耳识别框架，在多个公开图像数据库上优于现有最优系统。为此，我们开发了基于 CNN 的人耳归一化和描述方案，使用了众所周知的手工描述子，并融合学习特征与手工特征以提升识别性能。我们设计了一个两阶段关键点检测器，在未经训练的场景下成功工作。我们利用生成的结果进行几何图像归一化，提升了所有评估描述子的性能。我们的 CNN 描述子优于文献中其他基于 CNN 的工作，尤其在更困难的场景下。学习匹配器与手工匹配器的融合表现出互补性，在所有实验中均取得了最佳性能。所得结果超越了 UERC 挑战中所有其他已报告结果，该挑战包含目前最困难的数据库。
引用
@article{arxiv.1710.07662,
title = {Employing Fusion of Learned and Handcrafted Features for Unconstrained Ear Recognition},
author = {Earnest E. Hansley and Mauricio Pamplona Segundo and Sudeep Sarkar},
journal= {arXiv preprint arXiv:1710.07662},
year = {2017}
}
备注
23 pages, 7 figures, 7 tables