面向人脸识别的局部与全局特征注意力融合网络
计算机视觉与模式识别
2024-12-09 v2 人工智能
摘要
识别低质量人脸图像 remains a challenge due to invisible or deformation in partial facial regions。对于由缺失局部面部区域主导的低质量图像，局部区域相似性对人脸识别贡献更大。相反，在局部面部变形主导的情况下，对局部区域的过度关注可能导致误判，而全球特征表现出更好的鲁棒性。然而，大多数现有人脸识别方法忽略了由不同因素引入的低质量图像特征质量偏差。为此，我们提出了基于特征质量的局部和全局特征注意力融合（LGAF）网络。该网络根据特征质量自适应分配局部和全局特征之间的注意力，并通过局部和全局信息的互补性获得更具辨识度和高质量的人脸特征。此外，为了有效获取各种尺度的细粒度信息并增加面部特征在高维空间中的可分离性，我们引入了多头多尺度局部特征提取（MHMS）模块。实验结果表明，LGAF 在 4 个验证集（CFP-FP、CPLFW、AgeDB 和 CALFW）上实现最佳平均性能，TinyFace 和 SCFace 的性能超过了最先进的方法（SoTA）。
引用
@article{arxiv.2411.16169,
title = {Local and Global Feature Attention Fusion Network for Face Recognition},
author = {Wang Yu and Wei Wei},
journal= {arXiv preprint arXiv:2411.16169},
year = {2024}
}