CoNAN : Réseau de Agrégation Neuronal Conditionnel Pour la Fusion de Caractéristiques Faciales Non Contraintes

La reconnaissance faciale à partir de jeux d'images acquis dans des conditions non réglementées et non contrôlées, telles que des distances importantes, des résolutions faibles, des points de vue variables, des conditions d'éclairage, de pose et atmosphériques, est un défi majeur. L'agrégation des caractéristiques faciales, qui consiste à regrouper un ensemble de N représentations de caractéristiques présentes dans un modèle en une seule représentation globale, joue un rôle crucial dans ces systèmes de reconnaissance. Les travaux existants en matière d'agrégation traditionnelle des caractéristiques faciales utilisent soit des métadonnées, soit des représentations intermédiaires de haute dimension pour estimer la qualité des caractéristiques avant leur agrégation. Cependant, générer des métadonnées ou des informations stylistiques de haute qualité n'est pas réalisable pour les visages d'une extrêmement faible résolution capturés à longue portée et en altitude élevée. Pour surmonter ces limitations, nous proposons une approche d'ajustement de la distribution des caractéristiques appelée CoNAN pour l'agrégation du modèle. Plus précisément, notre méthode vise à apprendre un vecteur contextuel conditionné par les informations sur la distribution du jeu de caractéristiques entrant, qui est utilisé pour pondérer les caractéristiques en fonction de leur informativité estimée. La méthode proposée produit des résultats de pointe sur les jeux de données de reconnaissance faciale à longue portée et non contrainte tels que BTS et DroneSURF, validant ainsi les avantages d'une telle stratégie d'agrégation.