大规模纹身图像检索：联合检测与紧凑表示学习

视频监控与社交媒体中数字图像的爆炸式增长，使得在执法与法医应用中高效检索感兴趣人员的需求显著上升。尽管基于主要生物特征（如人脸与指纹）的人员识别取得了巨大进展，但在法医场景下单一生物特征难以达到期望的识别精度。纹身作为重要的软生物特征之一，已被证明有助于辅助人员识别。然而，在大规模无约束图像集合中检索纹身仍属难题，且现有纹身检索方法主要聚焦于裁剪后纹身的匹配，与真实应用场景不同。为弥合这一差距，我们提出一种高效的纹身检索方法，能够通过多任务学习在单一卷积神经网络（CNN）中联合学习纹身检测与紧凑表示。骨干网络中的特征由纹身检测与紧凑表示学习共享，而各子网络的独立隐层分别将共享特征优化至检测与特征学习任务。我们通过随机图像拼接与前向特征缓冲，解决了联合纹身检测与紧凑表示学习网络内部的小批量问题。我们使用多个公开纹身基准以及由这些数据集与互联网图像编译的约 30 万张干扰纹身图像图库集评估所提出的纹身检索系统。此外，我们还引入了一个包含 300 张纹身的纹身草图数据集，用于基于草图的纹身检索。实验结果表明，与多种最先进的纹身检索算法相比，所提方法在大规模纹身检测与纹身检索上均具有优越性能。