Apprentissage par métrique répulsive de voisinage pour la vérification de parenté

La vérification de parenté à partir d’images faciales constitue un problème intéressant et complexe en vision par ordinateur, et les tentatives antérieures dans la littérature pour aborder cette tâche restent très limitées. Dans cet article, nous proposons une nouvelle méthode d’apprentissage de métrique repulsée par voisinage (NRML) pour la vérification de parenté. Motivés par le fait que les échantillons interclasses (sans lien de parenté) présentant une similarité plus élevée se trouvent souvent dans un voisinage proche et sont plus susceptibles d’être mal classifiés que ceux dont la similarité est plus faible, nous visons à apprendre une métrique de distance telle que les échantillons intraclasses (ayant un lien de parenté) soient rapprochés au maximum, tandis que les échantillons interclasses situés dans un voisinage soient répulsés et éloignés autant que possible. Cette approche permet ainsi d’exploiter davantage d’informations discriminantes pour la vérification. Afin d’utiliser de manière optimale plusieurs descripteurs de caractéristiques afin d’extraire des informations complémentaires, nous proposons également une méthode multivue de NRML (MNRML), visant à trouver une métrique de distance commune pour réaliser une fusion de caractéristiques multiples et améliorer ainsi les performances de vérification de parenté. Des résultats expérimentaux sont présentés afin de démontrer l’efficacité des méthodes proposées. Enfin, nous avons également évalué la capacité humaine à la vérification de parenté à partir d’images faciales ; nos résultats expérimentaux montrent que nos méthodes sont comparables à celles des observateurs humains.