基于全局与部位感知深度特征表示学习的手部人员识别
计算机视觉与模式识别
2022-03-29 v8
摘要
在包括性虐待在内的严重犯罪案件中，常唯一可用于识别的潜在信息为手部图像。由于此类证据是在不受控情形下捕获的，难以分析。鉴于全局特征比对方法在此情形下存在局限，拓展考虑局部信息十分重要。在本工作中，我们提出通过同时学习全局与局部深度特征表示来进行基于手部的人员识别。我们提出的方法，全局与部位感知网络（GPA-Net），在卷积层上创建全局与局部分支，以学习鲁棒且具有判别力的全局与部位级特征。为学习局部（部位级）特征，我们在卷积层上沿水平与垂直方向进行均匀划分。我们通过软划分来检索部位，而无需显式划分图像或依赖姿态估计等外部线索。我们在两个大型多族裔且公开可用的手部数据集上进行了广泛评估，表明我们提出的方法显著优于竞争方法。
引用
@article{arxiv.2101.05260,
title = {Hand-Based Person Identification using Global and Part-Aware Deep Feature Representation Learning},
author = {Nathanael L. Baisa and Bryan Williams and Hossein Rahmani and Plamen Angelov and Sue Black},
journal= {arXiv preprint arXiv:2101.05260},
year = {2022}
}