面向整形手术与伪装导致人脸变化的人脸匹配
计算机视觉与模式识别
2018-11-20 v1
摘要
整形手术与伪装变化是人脸识别中最具挑战性的两个协变量。由于可用训练样本有限，最先进的深度学习模型尚不够成功。本文提出一种新颖框架，将从一个通用图像数据集中学习到的基础视觉特征迁移以补充有监督人脸识别模型。所提算法结合了现成的有监督分类器与一个通用的、任务无关的网络，该网络编码与颜色、形状和纹理等基本视觉线索相关的信息。实验在 IIITD 整形手术人脸数据集与 Disguised Faces in the Wild (DFW) 数据集上进行。结果表明所提算法在两个数据集上均达到最先进结果。特别是在 DFW 数据库上，所提算法在 1% 误接受率下取得超过 87% 的验证准确率，比使用 VGGFace 计算的基线结果高出 53.8%。
引用
@article{arxiv.1811.07318,
title = {On Matching Faces with Alterations due to Plastic Surgery and Disguise},
author = {Saksham Suri and Anush Sankaran and Mayank Vatsa and Richa Singh},
journal= {arXiv preprint arXiv:1811.07318},
year = {2018}
}
备注
The 9th IEEE International Conference on Biometrics: Theory, Applications, and Systems (BTAS 2018)