Triplet Probabilistische Einbettung für Gesichtsverifizierung und -clustering

Trotz der erheblichen Fortschritte der letzten 25 Jahre bleibt die unbeschränkte Gesichtserkennung ein anspruchsvolles Problem. In dieser Arbeit wird ein Ansatz vorgeschlagen, der eine tiefe CNN-basierte Methode mit einer niedrigdimensionalen diskriminativen Einbettung kombiniert, die unter Verwendung von Tripletten-Wahrscheinlichkeitsbedingungen gelernt wird, um das Problem der unbeschränkten Gesichtserkennung zu lösen. Neben den Leistungsverbesserungen bietet diese Einbettung erhebliche Vorteile hinsichtlich des Speicherverbrauchs und für Nachbearbeitungsoperationen wie dem clusterbasierten Zuordnen von Individuen. Experimente mit dem anspruchsvollen IJB-A-Datensatz zeigen, dass der vorgeschlagene Algorithmus in Bezug auf Verifikations- und Identifikationsmetriken vergleichbar oder besser als die besten bisher bekannten Methoden performt, während er deutlich weniger Trainingsdaten und -zeit benötigt. Die überlegene Leistung des vorgeschlagenen Verfahrens im CFP-Datensatz zeigt, dass die durch unser tiefes CNN gelernte Darstellung robust gegenüber extremer Haltungsvielfalt ist. Darüber hinainaus demonstrieren wir die Robustheit der tiefen Merkmale gegenüber Herausforderungen wie Alter, Haltung, Unschärfe und Störungen durch einfache Clustering-Experimente sowohl am IJB-A- als auch am LFW-Datensatz.