Wasserstein CNN：学习用于近红外-可见光人脸识别的不变特征
计算机视觉与模式识别
2017-08-09 v1
摘要
异质人脸识别旨在匹配从不同传感模态获取的人脸图像，在法医学、安全和商业领域具有关键任务应用。然而，由于异质人脸图像存在较大的类内差异以及跨模态人脸图像对训练样本有限，HFR 比传统人脸识别更具挑战性。本文提出了一种名为 Wasserstein CNN（convolutional neural networks，简称 WCNN）的新方法，用于学习近红外与可见光人脸图像之间的不变特征（即 NIR-VIS 人脸识别）。WCNN 的低层使用广泛可用的可见光谱人脸图像进行训练。高层被分为三部分，即 NIR 层、VIS 层和 NIR-VIS 共享层。前两层旨在学习模态特定特征，NIR-VIS 共享层则被设计用于学习模态不变特征子空间。NIR-VIS 共享层中引入 Wasserstein 距离以度量异质特征分布之间的差异。因此，W-CNN 学习旨在实现 NIR 分布与 VIS 分布之间 Wasserstein 距离的最小化，以获得异质人脸图像的不变深度特征表示。为避免在小规模异质人脸数据上出现过拟合问题，在 WCNN 网络的全连接层上引入相关性先验以缩减参数空间。该先验在端到端网络中通过低秩约束实现。该联合公式在训练阶段实现了深度特征表示的交替最小化，并在测试阶段实现了异质数据的高效计算。在三个具有挑战性的 NIR-VIS 人脸识别数据库上的大量实验表明，Wasserstein CNN 显著优于 state-of-the-art 方法。
引用
@article{arxiv.1708.02412,
title = {Wasserstein CNN: Learning Invariant Features for NIR-VIS Face Recognition},
author = {Ran He and Xiang Wu and Zhenan Sun and Tieniu Tan},
journal= {arXiv preprint arXiv:1708.02412},
year = {2017}
}