基于草图的动态人脸图像检索的多粒度表示学习
计算机视觉与模式识别
2024-01-02 v1
摘要
在特定场景中，人脸草图可用于识别个人。然而，绘制人脸草图通常需要非凡的技巧且耗时，限制了其在实际场景中的广泛应用。少笔画人脸图像检索 (SLFIR) 的新框架 [1] 试图通过提供一种人与机器在绘制过程中交互的手段来克服这些障碍。考虑到 SLFIR 问题，仅有几笔的局部草图与任何完整的人脸照片之间存在巨大差距，导致早期阶段性能不佳。在本研究中，我们提出了一种多粒度 (MG) 表示学习 (MGRL) 方法来解决 SLFIR 问题，其中我们学习局部草图不同粒度区域的表示，然后通过结合草图和图像的所有 MG 区域来确定最终距离。在实验中，我们的方法在两个可用数据集的早期检索方面优于 state-of-the-art 基线。代码可在 https://github.com/ddw2AIGROUP2CQUPT/MGRL 获取。
引用
@article{arxiv.2401.00371,
title = {Multi-Granularity Representation Learning for Sketch-based Dynamic Face Image Retrieval},
author = {Liang Wang and Dawei Dai and Shiyu Fu and Guoyin Wang},
journal= {arXiv preprint arXiv:2401.00371},
year = {2024}
}
备注
5 pages,5 figures