Nachbarschaftsabstoßende metrische Lernmethode für die Verwandtschaftsverifizierung

Die Verwandtschaftsverifizierung anhand von Gesichtsbildern stellt ein interessantes und herausforderndes Problem im Bereich der Computer Vision dar, und in der Literatur existieren bisher nur wenige Ansätze zur Lösung dieses Problems. In diesem Artikel stellen wir eine neue Methode namens Nachbarschaftsabstoßende Metrik-Lernung (Neighborhood Repulsed Metric Learning, NRML) für die Verwandtschaftsverifizierung vor. Ausgehend von der Beobachtung, dass zwischenklassige Beispiele (ohne Verwandtschaftsbeziehung), die eine höhere Ähnlichkeit aufweisen, häufig in der Nähe zueinander liegen und daher leichter fälschlicherweise klassifiziert werden als solche mit geringerer Ähnlichkeit, zielen wir darauf ab, eine Abstandsmaßfunktion zu lernen, bei der innerklassige Beispiele (mit Verwandtschaftsbeziehung) so nahe wie möglich zusammengezogen und gleichzeitig zwischenklassige Beispiele, die in der Nähe liegen, abgestoßen und so weit wie möglich voneinander entfernt werden, wodurch eine stärkere Ausnutzung diskriminativer Informationen für die Verifizierung ermöglicht wird. Um mehrere Merkmalsbeschreibungen effizienter nutzen zu können, um komplementäre Informationen zu extrahieren, erweitern wir die Methode zu einer mehrdimensionalen Variante, der multiview NRML (MNRML), die ein gemeinsames Abstandsmaß sucht, um mehrere Merkmalsfusionen durchzuführen und somit die Leistung der Verwandtschaftsverifizierung zu verbessern. Experimentelle Ergebnisse werden präsentiert, um die Wirksamkeit der vorgeschlagenen Methoden zu belegen. Schließlich testen wir auch die Fähigkeit menschlicher Beobachter bei der Verwandtschaftsverifizierung anhand von Gesichtsbildern. Unsere experimentellen Ergebnisse zeigen, dass unsere Ansätze mit der Leistung menschlicher Beobachter vergleichbar sind.