Decorrelated Adversarial Learning for Age-Invariant Face Recognition Entkorreliertes adversariales Lernen für altersinvariante Gesichtserkennung

Es gibt ein wachsendes Forschungsinteresse an altersinvarianter Gesichtserkennung. Dennoch bleibt die Zuordnung von Gesichtern mit großen Altersunterschieden ein herausforderndes Problem, hauptsächlich aufgrund der erheblichen Diskrepanz im Erscheinungsbild der Gesichter, die durch das Altern verursacht wird. Um diese Diskrepanz zu verringern, schlagen wir in diesem Artikel einen neuen Algorithmus vor, um altersbezogene Komponenten aus Merkmalen zu entfernen, die sowohl Identitäts- als auch Altersinformation enthalten. Genauer gesagt faktorisieren wir ein gemischtes Gesichtsmerkmal in zwei unkorrelierte Komponenten: eine identitätsspezifische Komponente und eine altersspezifische Komponente, wobei die identitätsspezifische Komponente Informationen enthält, die für die Gesichtserkennung nützlich sind. Um diese Idee umzusetzen, schlagen wir den Dekorrelations-Adversarial-Learning (DAL)-Algorithmus vor, bei dem ein Kanonisches Abbildungsmodul (CMM) eingeführt wird, um die maximale Korrelation zwischen den durch ein Backbonenetzwerk generierten gepaarten Merkmalen zu finden. Gleichzeitig werden das Backbonenetzwerk und das Faktorisierungsmodul trainiert, um Merkmale zu generieren, die die Korrelation reduzieren. Somit lernt das vorgeschlagene Modell zerlegte Merkmale von Alter und Identität, deren Korrelation erheblich verringert ist. Parallel dazu werden die identitätsspezifischen und altersspezifischen Merkmale jeweils durch ID- und altersbewahrende Signale überwacht, um sicherzustellen, dass sie beide die korrekten Informationen enthalten. Ausführliche Experimente wurden auf gängigen öffentlich zugänglichen Datensätzen zur Gesichtsalterung (FG-NET, MORPH Album 2 und CACD-VS) durchgeführt, um die Effektivität des vorgeschlagenen Ansatzes zu demonstrieren.