面向非受限环境下人脸去遮挡的鲁棒 LSTM-自编码器
计算机视觉与模式识别
2016-12-28 v1
摘要
人脸识别技术近年来已取得显著发展。然而，对于部分遮挡人脸的识别，现有面部识别器仍具挑战性，而这在监控与安全相关的现实应用中需求迫切。尽管已投入大量研究力量开发人脸去遮挡方法，多数仅在受限条件下表现良好，例如所有人脸均来自预定义的闭集。本文中，我们提出一种鲁棒 LSTM-自编码器（RLA）模型，以有效修复即便在非受限环境下的部分遮挡人脸。RLA 模型由两个 LSTM 组件构成，分别旨在实现遮挡鲁棒的人脸编码与循环遮挡去除。第一个组件称为多尺度空间 LSTM 编码器，顺序读取不同尺度的面部块以输出潜表示，由于遮挡仅影响部分块，从而实现了遮挡鲁棒性。接收编码器习得的表示后，具有双通道架构的 LSTM 解码器同时重建整体人脸并检测遮挡，且借助 LSTM，解码器将人脸去遮挡任务分解为逐步修复被遮挡部分。此外，为最小化身份信息的损失并保证修复后人脸的识别精度，我们引入保身份对抗训练方案以进一步优化 RLA。在合成与真实的遮挡人脸数据集上的大量实验清楚证明了所提 RLA 在去除不同位置各类面部遮挡上的有效性。该方法在提升部分遮挡人脸的识别性能方面，也比其他去遮挡方法提供了显著更大的性能增益。
引用
@article{arxiv.1612.08534,
title = {Robust LSTM-Autoencoders for Face De-Occlusion in the Wild},
author = {Fang Zhao and Jiashi Feng and Jian Zhao and Wenhan Yang and Shuicheng Yan},
journal= {arXiv preprint arXiv:1612.08534},
year = {2016}
}