CoNAN: Bedingtes neuronales Aggregationsnetzwerk für die unbeschränkte Fusions von Gesichtseigenschaften

Das Erkennen von Gesichtern aus Bildsätzen, die unter unregulierten und nicht kontrollierten Bedingungen wie bei großen Entfernungen, niedrigen Auflösungen, variierenden Blickwinkeln, Beleuchtungsbedingungen, Haltungen und atmosphärischen Umständen aufgenommen wurden, ist eine Herausforderung. Die Aggregation von Gesichtseigenschaften, die darin besteht, einen Satz von (N) Eigenschaftsdarstellungen in einem Template zu einer einzigen globalen Darstellung zusammenzufassen, spielt in solchen Erkennungssystemen eine zentrale Rolle. Bestehende Arbeiten im Bereich der traditionellen Gesichtseigenschaftsaggregation verwenden entweder Metadaten oder hochdimensionale Zwischendarstellungen, um die Eigenschaftsqualität für die Aggregation zu schätzen. Allerdings ist es bei extrem niedrigen Auflösungen von Gesichtern, die in langen Distanzen und großer Höhe aufgenommen werden, nicht möglich, hochwertige Metadaten oder Stilinformationen zu generieren. Um diese Einschränkungen zu überwinden, schlagen wir einen Ansatz zur Feature-Verteilungsbedingung vor, den wir CoNAN nennen. Unser Verfahren zielt darauf ab, einen Kontextvektor zu lernen, der anhand der Verteilungsinformation des eintreffenden Featuresatzes konditioniert wird und der verwendet wird, um die Eigenschaften nach ihrer geschätzten Informationsdichte zu gewichten. Die vorgeschlagene Methode erzielt Stand-des-Wissens-Ergebnisse (state-of-the-art) auf langreichweitigen unbeschränkten Gesichtserkennungsdatensätzen wie BTS und DroneSURF, was die Vorteile dieser Aggregationsstrategie bestätigt.