用于姿态不变人脸识别的基于重构的解耦
计算机视觉与模式识别
2017-08-17 v2
摘要
在大规模数据集上训练的深度神经网络(DNNs)最近在人脸识别方面取得了令人印象深刻的改进。但一个持续的挑战仍是开发能够处理训练数据中相对代表性不足的大姿态变化的方法。本文提出一种学习对姿态不变的特征表示的方法，而不需要在训练数据中有广泛的姿态覆盖。我们首先提出从单张正面人脸生成非正面视图，以增加训练数据的多样性，同时保留对身份判别至关重要的准确面部细节。我们的下一个贡献是寻求编码身份特征以及非身份特征（如姿态和关键点位置）的丰富嵌入。最后，我们提出一种新的特征重构度量学习，通过要求通过同一主体的两幅图像获得的各种身份和姿态特征组合的特征重构之间对齐，来显式解耦身份和姿态。在受控和野生人脸数据集（如MultiPIE、300WLP和侧面视图数据库CFP）上的实验表明，我们的方法始终优于最先进技术，尤其是在具有大头姿态变化的图像上。详细结果和资源参见 https://sites.google.com/site/xipengcshomepage/iccv2017
引用
@article{arxiv.1702.03041,
title = {Reconstruction-Based Disentanglement for Pose-invariant Face Recognition},
author = {Xi Peng and Xiang Yu and Kihyuk Sohn and Dimitris Metaxas and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1702.03041},
year = {2017}
}
备注
IEEE International Conference on Computer Vision (ICCV), 2017