基于分层深度 CNN 特征集表示的鲁棒跨分辨率人脸识别学习
计算机视觉与模式识别
2021-03-26 v1
摘要
跨分辨率人脸识别（CRFR）在智能监控与生物特征取证中十分重要，其指将低分辨率（LR）探针人脸图像与高分辨率（HR）图库人脸图像进行匹配的问题。现有基于浅层学习与深度学习的方法聚焦于将 HR-LR 人脸对映射至联合特征空间以缓解分辨率差异。然而，鲜有工作考虑如何从含噪 LR 查询人脸中提取并利用中间判别特征，以进一步缓解由分辨率限制导致的分辨率差异。本研究旨在充分利用多级深度卷积神经网络（CNN）特征集以实现鲁棒 CRFR。具体而言，我们的贡献有三方面。（i）为学习更具鲁棒性与判别性的特征，我们旨在自适应融合来自不同层的上下文特征。（ii）为充分利用这些上下文特征，我们设计了一种基于特征集的表示学习（FSRL）方案，对分层特征进行协作表示以获得更精准的识别。此外，FSRL 利用特征图的原始形式以保持潜在结构信息，尤其在含噪情况下。（iii）为进一步提升识别性能，我们旨在融合来自不同阶段的层次化识别输出。同时，不同尺度的判别性也可被充分整合。借助这些优势，所提方法的效率得以体现。在多个 face 数据集上的实验结果验证了本算法相对于其他竞争性 CRFR 方法的优越性。
引用
@article{arxiv.2103.13851,
title = {Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition},
author = {Guangwei Gao and Yi Yu and Jian Yang and Guo-Jun Qi and Meng Yang},
journal= {arXiv preprint arXiv:2103.13851},
year = {2021}
}
备注
IEEE Transactions on Circuits and Systems for Video Technology, 11 pages, 9 figures