Wenn altersinvariante Gesichtserkennung auf Gesichtsalter-Synthese trifft: Ein Mehrfachaufgaben-Lernrahmen

Um die Auswirkungen von Altersunterschieden bei der Gesichtserkennung zu minimieren, haben frühere Arbeiten entweder durch die Minimierung der Korrelation zwischen identitätsbezogenen und altersbezogenen Merkmalen diskriminierende Merkmale zur Identifikation extrahiert, was als altersinvariante Gesichtserkennung (AIFR) bezeichnet wird, oder durch die Transformation von Gesichtern verschiedener Altersgruppen in eine einheitliche Altersgruppe die Altersunterschiede entfernt, was als Gesichtsalter-Synthese (FAS) bekannt ist; jedoch fehlen beim ersten Ansatz visuelle Ergebnisse zur Modellinterpretation, während der zweite Ansatz von Artefakten beeinträchtigt wird, die die nachfolgende Erkennung gefährden. Daher schlägt dieser Artikel einen vereinten, mehrfach ausgerichteten Rahmen vor, um diese beiden Aufgaben gemeinsam zu bearbeiten. Dieses Verfahren wird als MTLFace bezeichnet und kann altersinvariante identitätsbezogene Repräsentationen lernen, während es gleichzeitig eine ansprechende Gesichtssynthese erreicht. Insbesondere dekomponieren wir zunächst das gemischte Gesichtsmerkmal in zwei unkorrelierte Komponenten – identitäts- und altersbezogene Merkmale – durch ein Aufmerksamheitsmechanismus und korrelieren dann diese beiden Komponenten unter Verwendung des mehrfachen Trainings und kontinuierlicher Domänenanpassung. Im Gegensatz zur konventionellen One-Hot-Kodierung, die FAS auf Gruppenebene realisiert, schlagen wir ein neues identitätsextendiertes Modul vor, um FAS auf Individualebene zu erreichen. Dabei verwenden wir eine Strategie mit geteilten Gewichten, um die Altersglätte der synthetisierten Gesichter zu verbessern. Darüber hinainaus sammeln und veröffentlichen wir einen großen Quersectional-Gesichtsdatensatz mit Alters- und Geschlechtsannotierungen, um den Fortschritt bei AIFR und FAS zu fördern. Umfangreiche Experimente an fünf Benchmark-Datensätzen für Quersectional-Gesichtserkennung zeigen die überlegene Leistung unseres vorgeschlagenen MTLFace im Vergleich zu den bisher besten Methoden für AIFR und FAS. Wir validieren MTLFace zudem an zwei beliebten allgemeinen Gesichtserkennungsdatensätzen und erzielen wettbewerbsfähige Ergebnisse für freie Gesichtserkennung. Der Quellcode und der Datensatz sind unter~\url{https://github.com/Hzzone/MTLFace} verfügbar.