面向异质人脸识别的关系深度特征学习
计算机视觉与模式识别
2020-08-13 v3
摘要
异质人脸识别（HFR）是在两个不同域（如可见光（VIS）、近红外（NIR）或素描域）间匹配人脸的任务。由于缺乏数据库，HFR方法通常利用在包含通用面部信息的大规模视觉数据库上预训练的特征。然而，这些预训练特征因与视觉域的纹理差异而导致性能下降。基于此动机，我们提出一种称为关系图模块（RGM）的图结构模块，除通用面部特征外还提取全局关系信息。由于每个身份在任意模态下人脸局部部件间的关系信息相似，对特征间关系建模有助于跨域匹配。通过RGM，关系传播在保留预训练特征优势的同时减少了纹理依赖性。此外，RGM从局部相关的卷积特征中捕获全局面部几何以识别长程关系。另外，我们提出节点注意力单元（NAU），执行节点级重校准以聚焦于由基于关系的传播产生的更具信息量的节点。此外，我们提出一种新颖的条件边界损失函数（C-softmax），用于HFR中嵌入向量的高效投影学习。所提方法在五个HFR数据库上优于其他最先进方法。此外，我们在三种骨干网络上展示了性能提升，因为我们的模块可插入任何预训练人脸识别骨干网络以克服小型HFR数据库的局限。
引用
@article{arxiv.2003.00697,
title = {Relational Deep Feature Learning for Heterogeneous Face Recognition},
author = {MyeongAh Cho and Taeoh Kim and Ig-Jae Kim and Kyungjae Lee and Sangyoun Lee},
journal= {arXiv preprint arXiv:2003.00697},
year = {2020}
}