从纵向人脸演示中学习——可处理深度建模与逆强化学习的结合
计算机视觉与模式识别
2019-02-05 v4
摘要
本文提出一种新颖的依赖于主体的深度老化路径（SDAP），它继承了生成式概率建模与逆强化学习的优点，以建模给定主体的面部结构及纵向人脸老化过程。所提出的 SDAP 使用基于卷积神经网络（CNNs）深度特征提取的可处理对数似然目标函数进行优化。与对所有输入人脸和主体应用固定老化发展路径不同，SDAP 能够为个体主体提供最优化的奖励老化公式的最合适老化发展路径。与之前只能以单张图像作为输入的方法不同，SDAP 进一步允许多张图像作为输入，即主体在同一年龄或不同年龄的所有信息，以生成该给定主体的最优老化路径。最后，SDAP 允许高效地合成真实场景下的老化人脸。所提模型在人脸老化合成与跨年龄人脸验证两项任务上进行了实验。实验结果一致表明 SDAP 在众多人脸老化数据库（即 FG-NET、MORPH、AginG Faces in the Wild (AGFW) 和 Cross-Age Celebrity Dataset (CACD)）上达到了最先进（SOTA）性能。此外，我们还在大规模 Megaface 挑战上评估了 SDAP 的性能，以展示所提方案的优势。
引用
@article{arxiv.1711.10520,
title = {Learning from Longitudinal Face Demonstration - Where Tractable Deep Modeling Meets Inverse Reinforcement Learning},
author = {Chi Nhan Duong and Kha Gia Quach and Khoa Luu and T. Hoang Ngan Le and Marios Savvides and Tien D. Bui},
journal= {arXiv preprint arXiv:1711.10520},
year = {2019}
}