基于掩码学习与成对差分孪生网络的遮挡鲁棒人脸识别
计算机视觉与模式识别
2019-08-20 v1
摘要
深度卷积神经网络（CNNs）在过去几年中不断推动人脸识别研究的前沿。然而，现有的通用 CNN 人脸模型在面部区域可变遮挡场景下泛化能力较差。受人类视觉系统显式忽略遮挡并仅关注未遮挡面部区域这一事实的启发，我们提出一种掩码学习策略，以发现并丢弃受 corruption 的特征元素用于人脸识别。首先，利用创新设计的成对差分孪生网络（PDSN）挖掘遮挡与无遮挡人脸对的顶层卷积特征之间的差异，建立掩码字典。该字典的每一项刻画了遮挡面部区域与受 corruption 特征元素之间的对应关系，称为特征丢弃掩码（FDM）。在处理具有随机局部遮挡的人脸图像时，我们通过组合相关字典项生成其 FDM，随后将其与原始特征相乘以剔除那些受 corruption 的特征元素。在合成与真实遮挡人脸数据集上的综合实验表明，所提方法显著优于现有最优方法。
引用
@article{arxiv.1908.06290,
title = {Occlusion Robust Face Recognition Based on Mask Learning with PairwiseDifferential Siamese Network},
author = {Lingxue Song and Dihong Gong and Zhifeng Li and Changsong Liu and Wei Liu},
journal= {arXiv preprint arXiv:1908.06290},
year = {2019}
}