Duales variationales Generieren für die Few-Shot-Heterogene Gesichtserkennung

Die heterogene Gesichtserkennung (HFR) ist eine herausfordernde Aufgabe aufgrund der großen Domänenunterschiede und des Mangels an heterogenen Daten. In dieser Arbeit wird HFR als ein duales Generierungsproblem betrachtet, und es wird ein neuer Rahmen für duale variationelle Generierung (DVG) vorgeschlagen. Dieser generiert aus Rauschen großskalige neue gepaarte heterogene Bilder mit derselben Identität, um die Domänenlücke bei HFR zu verringern. Insbesondere führen wir zunächst einen dualen variationellen Autoencoder ein, um eine gemeinsame Verteilung von gepaarten heterogenen Bildern darzustellen. Anschließend setzen wir zur Sicherstellung der Identitätskonsistenz der generierten gepaarten heterogenen Bilder eine Verteilungsangleichung im Latenten Raum und eine paarweise Identitätsbewahrung im Bildraum durch. Darüber hinaus reduziert das HFR-Netzwerk die Domänenunterschiede, indem es die paarweisen Merkmalsabstände zwischen den generierten gepaarten heterogenen Bildern einschränkt. Ausführliche Experimente auf vier HFR-Datenbanken zeigen, dass unsere Methode die bisher besten Ergebnisse erheblich verbessern kann. Der zugehörige Code ist unter https://github.com/BradyFU/DVG verfügbar.