基于分割感知人脸深度估计与掩码引导注意力网络的高精度RGB-D人脸识别
计算机视觉与模式识别
2021-12-23 v1
摘要
深度学习方法通过用极大规模人脸图像数据集训练模型已实现高精度人脸识别。与大规模2D人脸图像数据集的可得性不同，公开的大规模3D人脸数据集匮乏。现有公开3D人脸数据集通常采集自少量受试者，导致过拟合问题。本文提出两个CNN模型以改进RGB-D人脸识别任务。其一是称为DepthNet的分割感知深度估计网络，它通过纳入语义分割信息从RGB人脸图像估计深度图，以实现更准确的人脸区域定位。其二是新颖的掩码引导RGB-D人脸识别模型，包含RGB识别分支、深度图识别分支以及带空间注意力模块的辅助分割掩码分支。我们的DepthNet用于将大规模2D人脸图像数据集增广为大规模RGB-D人脸数据集，用以训练准确的RGB-D人脸识别模型。此外，所提掩码引导RGB-D人脸识别模型能充分利用深度图与分割掩码信息，且比先前方法对姿态变化更鲁棒。实验结果表明DepthNet能从带分割掩码的人脸图像生成更可靠的深度图。我们的掩码引导人脸识别模型在多个公开3D人脸数据集上优于最先进的方法。
引用
@article{arxiv.2112.11713,
title = {High-Accuracy RGB-D Face Recognition via Segmentation-Aware Face Depth Estimation and Mask-Guided Attention Network},
author = {Meng-Tzu Chiu and Hsun-Ying Cheng and Chien-Yi Wang and Shang-Hong Lai},
journal= {arXiv preprint arXiv:2112.11713},
year = {2021}
}
备注
IEEE International Conference on Automatic Face and Gesture Recognition (FG) 2021