通过旋转人脸进行表示学习
计算机视觉与模式识别
2018-09-13 v2
摘要
两幅人脸图像之间的大姿态差异是自动人脸识别中的基本挑战之一。传统的姿态不变人脸识别方法要么对非正面人脸图像进行人脸正面化，要么从中学习姿态不变的表示。我们认为更可取的是联合执行这两项任务以使它们相互利用。为此，本文提出了一种解耦表示学习-生成对抗网络（DR-GAN），具有三个显著新颖之处。首先，生成器的编码器-解码器结构使 DR-GAN 能够学习既具生成性又具判别性的表示，可用于人脸图像合成与姿态不变人脸识别。其次，通过提供给解码器的姿态码和判别器中的姿态估计，该表示与其他人脸变化（如姿态）显式解耦。第三，DR-GAN 可以将一张或多张图像作为输入，并生成统一的身份表示以及任意数量的合成人脸图像。在多个受控和野生数据库上的大量定量与定性评估表明，DR-GAN 在学习表示和旋转大姿态人脸图像方面均优于当前最优方法。
引用
@article{arxiv.1705.11136,
title = {Representation Learning by Rotating Your Faces},
author = {Luan Tran and Xi Yin and Xiaoming Liu},
journal= {arXiv preprint arXiv:1705.11136},
year = {2018}
}
备注
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)