基于多模态深度人脸表示的鲁棒人脸识别
计算机视觉与模式识别
2016-11-17 v1
摘要
出现在多媒体应用（如社交网络和数字娱乐）中的人脸图像通常表现出剧烈的姿态、光照和表情变化，导致传统人脸识别算法的性能显著下降。本文提出了一个综合的深度学习框架，以利用多模态信息联合学习人脸表示。所提出的深度学习结构由一组精心设计的卷积神经网络（CNN）和一个三层堆叠自编码器（SAE）组成。这组CNN从多模态数据中提取互补的面部特征。然后，将提取的特征拼接成高维特征向量，并通过SAE压缩其维度。所有CNN均使用公开的CASIA-WebFace数据库中9000个对象的子集进行训练，这确保了本工作的可复现性。使用所提出的单CNN架构和有限的训练数据，在LFW数据库上实现了98.43%的验证率。得益于多模态数据中包含的互补信息，我们的小型集成系统在使用公开可用训练集的情况下，在LFW上实现了高于99.0%的识别率。
引用
@article{arxiv.1509.00244,
title = {Robust Face Recognition via Multimodal Deep Face Representation},
author = {Changxing Ding and Dacheng Tao},
journal= {arXiv preprint arXiv:1509.00244},
year = {2016}
}
备注
To appear in IEEE Trans. Multimedia