用于无约束视频中亲属关系验证的监督混合范数自编码器
计算机视觉与模式识别
2018-12-26 v1
摘要
由于对互联网上大量上传视频进行组织和标注等若干应用，识别亲属关系已引起关注。现有亲属关系验证研究主要聚焦于基于图像对的亲属预测。在本研究中，我们提出了一种利用新颖的监督混合范数正则化自编码器（SMNAE）的无约束视频亲属关系验证深度学习框架。这一新自编码器公式在权重矩阵中引入了类特定稀疏性。所提出的三阶段基于 SMNAE 的亲属关系验证框架利用视频帧中学习到的时空表示来验证一对视频中的亲属关系。本研究收集了一个包含 500 多名个体、具有光照、姿态、遮挡、种族和表情变化的新亲属视频（KIVI）数据库。其包含共计 355 对真实亲属视频对，超过 250,000 帧静态图像。所提框架的有效性在 KIVI 数据库及六个现有亲属数据库上得到展示。在 KIVI 数据库上，SMNAE 取得了 83.18% 的基于视频的亲属关系验证准确率，比现有算法至少高出 3.2%。该算法还在六个公开可用亲属数据库上进行了评估，并与已报道的最佳结果比较。观察到所提 SMNAE 在所有数据库上均持续取得最佳结果。
引用
@article{arxiv.1805.12167,
title = {Supervised Mixed Norm Autoencoder for Kinship Verification in Unconstrained Videos},
author = {Naman Kohli and Daksha Yadav and Mayank Vatsa and Richa Singh and Afzel Noore},
journal= {arXiv preprint arXiv:1805.12167},
year = {2018}
}
备注
Accepted for publication in Transactions in Image Processing