شبکه چهره با قابلیت تغییر شکل برای تشخیص چهره با ژست ثابت
ترجمه نشده

شبکه چهره با قابلیت تغییر شکل برای تشخیص چهره با ژست ثابت

عنوان فارسی مقاله: شبکه چهره با قابلیت تغییر شکل برای تشخیص چهره با ژست ثابت
عنوان انگلیسی مقاله: Deformable face net for pose invariant face recognition
مجله/کنفرانس: تشخیص الگو - Pattern Recognition
رشته های تحصیلی مرتبط: کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات، هوش مصنوعی، مهندسی نرم افزار
کلمات کلیدی فارسی: تشخیص چهره با قیافه بدون تغییر، از بین رفتن ثبات جابجایی، فقدان حالت سه گانه
کلمات کلیدی انگلیسی: Pose-invariant face recognition، Displacement consistency loss، Pose-triplet loss
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.patcog.2019.107113
دانشگاه: Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS, Beijing, 100190, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 7/346 در سال 2019
شاخص H_index: 180 در سال 2020
شاخص SJR: 1/363 در سال 2019
شناسه ISSN: 0031-3203
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 34
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14720
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Related works


3- Method


4- Experiments


5- Conclusions


References

نمونه متن انگلیسی مقاله

Abstract


Unconstrained face recognition still remains a challenging task due to various factors such as pose, expression, illumination, partial occlusion, etc. In particular, the most significant appearance variations are stemmed from poses which leads to severe performance degeneration. In this paper, we propose a novel Deformable Face Net (DFN) to handle the pose variations for face recognition. The deformable convolution module attempts to simultaneously learn face recognition oriented alignment and identity-preserving feature extraction. The displacement consistency loss (DCL) is proposed as a regularization term to enforce the learnt displacement fields for aligning faces to be locally consistent both in the orientation and amplitude since faces possess strong structure. Moreover, the identity consistency loss (ICL) and the pose-triplet loss (PTL) are designed to minimize the intra-class feature variation caused by different poses and maximize the inter-class feature distance under the same poses. The proposed DFN can effectively handle pose invariant face recognition (PIFR). Extensive experiments show that the proposed DFN outperforms the state-of-the-art methods, especially on the datasets with large poses.


INTRODUCTION


Face recognition, as a fundamental problem in computer vision, has received more and more attentions in recent years. Equipped with powerful convolutional neural networks (CNNs), the accuracy has a rapid boost that face recognition under controlled settings (i.e., near-frontal poses, neutral expressions, normal illuminations, etc.) seems to be solved. However, under the uncontrolled environment, a number of factors (e.g., pose, illumination, resolution, occlusion, and expression) significantly affect the performance of face recognition system. Among these factors, self-occlusion from out-plane poses brings about large appearance variations. The misalignment problem heavily hurts the face recognition system. In this paper, we further push the frontier of this research area by simultaneously considering face recognition oriented alignment and identitypreserving feature extraction under deep neural networks, which aims at tackling the pose-invariant face recognition (PIFR) problem.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

شبکه چهره با قابلیت تغییر شکل برای تشخیص چهره با ژست ثابت
نوشته های مرتبط
مقالات جدید
پیوندها