用于基于集成深度网络姿态不变人脸识别的遮挡引导紧凑模板学习
计算机视觉与模式识别
2019-04-16 v2
摘要
将从不同面部块提取的深度网络表示进行拼接有助于提升人脸识别性能。然而，拼接后的面部模板尺寸增大且包含冗余信息。以往的解决方案旨在降低面部模板的维度，却未考虑面部块的遮挡模式。本文提出一种遮挡引导紧凑模板学习（OGCTL）方法，仅利用可见块的信息来构建紧凑模板。该紧凑人脸表示对用于构建面部模板的块数量不敏感，且更适用于融合不同视角信息以进行基于图像集的人脸识别。与在人脸匹配中使用遮挡掩码（如DPRFS [38]）不同，所提方法在模板构建中使用遮挡掩码，并在具有挑战性的数据库上以比DPRFS小一个数量级的模板尺寸实现了显著更好的基于图像集的人脸验证性能。
引用
@article{arxiv.1903.04752,
title = {Occlusion-guided compact template learning for ensemble deep network-based pose-invariant face recognition},
author = {Yuhang Wu and Ioannis A. Kakadiaris},
journal= {arXiv preprint arXiv:1903.04752},
year = {2019}
}
备注
Accepted by International Conference on Biometrics (ICB 2019) as an Oral presentation