Lorsque la reconnaissance faciale invariante à l’âge rencontre la synthèse d’âge du visage : un cadre d’apprentissage multi-tâches

Pour minimiser les effets de la variation d'âge dans la reconnaissance faciale, les travaux antérieurs ont soit extrait des caractéristiques discriminantes liées à l'identité en minimisant la corrélation entre les caractéristiques liées à l'identité et celles liées à l'âge, appelée reconnaissance faciale invariante à l'âge (AIFR) ; soit éliminé la variation d'âge en transformant les visages de différents groupes d'âge en un groupe d'âge unique, appelée synthèse faciale d'âge (FAS). Cependant, la première approche manque de résultats visuels pour l'interprétation du modèle, tandis que la seconde souffre d'artefacts qui compromettent la reconnaissance ultérieure. Par conséquent, cet article propose un cadre unifié et multi-tâches pour traiter conjointement ces deux tâches, dénommé MTLFace, capable d'apprendre une représentation liée à l'identité invariante à l'âge tout en réalisant une synthèse faciale agréable. Plus précisément, nous décomposons d'abord la caractéristique faciale mixte en deux composantes non corrélées -- caractéristique liée à l'identité et caractéristique liée à l'âge -- grâce à un mécanisme d'attention, puis nous désynchronisons ces deux composantes en utilisant une formation multi-tâches et une adaptation continue de domaine. Contrairement au codage one-hot conventionnel qui atteint le FAS au niveau du groupe, nous proposons un nouveau module conditionnel par identité pour réaliser le FAS au niveau individuel, avec une stratégie de partage des poids pour améliorer la fluidité de l'âge des visages synthétisés. De plus, nous avons collecté et rendu disponible un grand ensemble de données faciales trans-âges annotées par âge et sexe afin de favoriser le développement de l'AIFR et du FAS. Des expériences étendues sur cinq jeux de données trans-âges de référence montrent les performances supérieures de notre MTLFace proposé par rapport aux méthodes actuelles les plus avancées pour l'AIFR et le FAS. Nous validons également MTLFace sur deux jeux de données populaires généraux pour la reconnaissance faciale, montrant des performances compétitives pour la reconnaissance faciale dans des conditions réelles. Le code source et le jeu de données sont disponibles à~\url{https://github.com/Hzzone/MTLFace}.