文档名：基于多任务学习和身份约束的生成对抗网络人脸校正识别方法
摘要：针对DR-GAN(DisentangledRepresentationlearning-GenerativeAdversarialNetwork)方法在将大偏转角度侧脸图像生成其正脸图像的整个生成过程中,没有考虑身份类别信息,从而导致在身份和姿态的解耦中存在真实的侧脸图像与其生成的正脸图像身份一致性较弱的问题,本文提出了一种基于多任务学习和身份约束的生成对抗网络人脸校正识别方法.该方法通过借鉴多任务学习机制,在生成网络的编码器与解码器之间构建了角度姿态分类模块和身份约束识别模块.这两个模块不但在生成过程中实现了人脸身份和姿态的解耦,更重要的是在由侧脸生成正脸的过程中加入了人脸身份监督信息.在训练过程中,该方法将身份和姿态类别直接作为身份编码特征和姿态编码特征的监督信息,并通过设计身份特征损失函数来约束侧脸的身份编码特征逼近其正脸的身份编码特征,实现了侧脸编码特征中身份信息和姿态信息的有效解耦,使解码器能更准确地生成与原侧脸图像保持身份一致的正脸图像.在M2FPA数据集上,对不同角度的侧脸图像使用所提方法生成的正脸图像进行识别,达到了更高的人脸识别准确率.实验结果表明,即使在偏转角度较大时,所提方法仍然能够较好地生成保持身份一致的正脸图像,显著提升了较大偏转角下人脸识别准确率.
Abstract：FortheDR-GAN(DisentangledRepresentationlearning-GenerativeAdversarialNetwork),theidentityin-formationisnotconsideredinthewholeprocessofgeneratingfrontalfacesfromnon-frontalfaceswithlargeposevaria-tions.Itresultsintheweakidentityconsistencybetweennon-frontalfacesandthegeneratedfrontalfacesfordisentanglingposefromidentity.Thispaperproposesamulti-tasklearningandidentity-constrainedgenerativeadversarialnetworkforfacefrontalizationandrecognition.Basedonthemulti-tasklearningmechanism,aposeclassificationmoduleandanidenti-tyconstraintrecognitionmoduleareconstructedbetweentheencoderanddecoderofthegenerativenetwork.Thesetwomodulesconsiderthedisentanglingoffaceidentityandposeinthegeneratingprocess.Moreimportantly,faceidentitysu-pervisioninformationisaddedintheprocessofgeneratingfacesfromnon-frontalfaces.Intheprocessoftraining,identityandposecategoriesaredirectlyusedasthesupervisioninformationforlearningidentitycodingfeaturesandposecodingfeatures.Theidentityfeaturelossfunctionisdesignedtoconstraintheidentitycodingfeaturesofthenon-frontalfacestoapproximatetheidentitycodingfeaturesofthefrontalfaces.Theeffectivedisentanglingofidentityandposeinformationinthenon-frontalcodingfeatureisrealized.Thedecodercanmoreaccuratelygenerateafrontalfaceconsistentwiththenon-frontalface.OntheM2FPAdataset,thefrontalfacesgeneratedfromthenon-frontalfaceswithdifferentposesbythepro-posedmethodareusedtorecognize,achievingahigherfacerecognitionaccuracy.Theexperimentalresultsshowthatevenwhentheposevariationsarelarge,theproposedmethodcanstillgenerateafrontalfacewithaconsistentidentity,signifi-cantlyimprovingfacerecognitionaccuracyunderlargeposevariations.
作者：黄欣研 刘芳 鲍骞月 李任鹏 刘旭 李玲玲 陈璞花 刘洋Author：HUANGXin-yan LIUFang BAOQian-yue LIRen-peng LIUXu LILing-ling CHENPu-hua LIUYang
作者单位：西安电子科技大学人工智能学院,陕西西安710071;智能感知与图像理解教育部重点实验室,陕西西安710071;智能感知与计算国际联合研究中心,陕西西安710071;智能感知与计算国际合作联合实验室,陕西西安710071
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(10)
分类号：TP391.41
关键词：多任务学习 身份约束 生成对抗网络 人脸校正 人脸识别
Keywords：multi-tasklearning identityconstraint generativeadversarialnetwork facefrontalization facerecog-nition
机标分类号：
在线出版日期：2024年1月17日
基金项目：基于多任务学习和身份约束的生成对抗网络人脸校正识别方法[
期刊论文] 电子学报--2023, 51(10)黄欣研 刘芳 鲍骞月 李任鹏 刘旭 李玲玲 陈璞花 刘洋针对DR-GAN(DisentangledRepresentationlearning-GenerativeAdversarialNetwork)方法在将大偏转角度侧脸图像生成其正脸图像的整个生成过程中,没有考虑身份类别信息,从而导致在身份和姿态的解耦中存在真实的侧脸图...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于多任务学习和身份约束的生成对抗网络人脸校正识别方法 Multi-task Learning and Identity-constrained Generative Adversarial Network for Face Frontalization and Recognition
基于多任务学习和身份约束的生成对抗网络人脸校正识别方法.pdf
- 文件大小:
- 18.11 MB
- 下载次数:
- 60
-
高速下载
|
|
