Réseaux de Graphes de Raisonnement pour la Vérification des Liens de Parenté : de la Forme en Étoile à la Hiérarchie

Dans cet article, nous examinons le problème de la vérification de parenté faciale en apprenant des réseaux de graphes de raisonnement hiérarchique. Les méthodes conventionnelles se concentrent généralement sur l'apprentissage de caractéristiques discriminantes pour chaque image faciale d'un échantillon apparié et négligent la façon de fusionner les deux caractéristiques d'images faciales obtenues et de raisonner sur leurs relations. Pour remédier à cela, nous proposons un réseau de graphes de raisonnement en étoile (S-RGN). Notre S-RGN construit d'abord un graphe en étoile où chaque nœud périphérique encode les informations des comparaisons dans une dimension de caractéristiques, et le nœud central est utilisé comme pont pour l'interaction entre les nœuds périphériques. Ensuite, nous effectuons un raisonnement relationnel sur ce graphe en étoile par passage itératif de messages. Le S-RGN proposé utilise uniquement un nœud central pour analyser et traiter les informations provenant de tous les nœuds périphériques, ce qui limite sa capacité de raisonnement. Nous développons donc davantage un réseau de graphes de raisonnement hiérarchique (H-RGN) pour exploiter une capacité plus puissante et flexible. Plus précisément, notre H-RGN introduit un ensemble de nœuds latents et construit un graphe hiérarchique avec eux. Puis, une abstraction comparative ascendante et une propagation descendante complète des signaux sont effectuées itérativement sur le graphe hiérarchique afin de mettre à jour les caractéristiques des nœuds. De nombreux résultats expérimentaux sur quatre bases de données largement utilisées pour la parenté montrent que les méthodes proposées obtiennent des résultats très compétitifs.