用于跨光谱眼周识别的合成引导特征学习
计算机视觉与模式识别
2021-11-18 v1 人工智能
摘要
眼周生物识别中一个常见但具挑战性的场景是跨光谱匹配——特别是可见波长与近红外（NIR）眼周图像的匹配。我们提出了一种新颖的跨光谱眼周验证方法，主要侧重于学习从可见与 NIR 眼周图像到共享潜在表示子空间的映射，并通过同时学习谱内图像重建来支持该工作。我们表明，辅助图像重建任务（特别是高层语义特征的重建）相较于基线可学习到更具判别性、域不变的子空间，且在测试时不产生额外的计算或内存成本。所提出的耦合条件生成对抗网络（CoGAN）架构使用成对的生成器网络（一个处理可见图像，另一个处理 NIR），由带有 ResNet-18 编码器的 U-Net 组成，通过对比损失进行特征学习，并通过对抗、基于像素和感知重建损失进行谱内图像重建。此外，所提出的 CoGAN 模型在跨光谱眼周识别中击败了当前最优（SotA）。在香港理工（Hong Kong PolyU）基准数据集上，我们实现了 98.65% AUC 和 5.14% EER，而 SotA EER 为 8.02%。在 Cross-Eyed 数据集上，我们实现了 99.31% AUC 和 3.99% EER，而 SotA EER 为 4.39%。
引用
@article{arxiv.2111.08738,
title = {Synthesis-Guided Feature Learning for Cross-Spectral Periocular Recognition},
author = {Domenick Poster and Nasser Nasrabadi},
journal= {arXiv preprint arXiv:2111.08738},
year = {2021}
}