Библиографическое описание:РАСПОЗНАВАНИЕ ЛИЦ С ИСПОЛЬЗОВАНИЕМ ИЗОБРАЖЕНИЯ В ВИДИМОМ СВЕТЕ И УЗКОМ ИНФРАКРАСНОМ СПЕКТРЕ ПРИ ПОМОЩИ ГЛУБОКОГО ОБУЧЕНИЯ / К. А. Елсуфьев [и др.] ; рец. И. П. Петров. - Текст : непосредственный // Colloquium-journal. - 2019. - № 9-1. - С. 26-28. - ISSN 2520-2480. Перевод заглавия: FACE RECOGNITION USING VISIBLE LIGHT AND NARROW INFRARED SPECTRUM WITH DEEP LEARNING
Аннотация:В последние годы глубокое обучение достигло выдающихся результатов в области компьютерного зрения, особенно в области распознавания лиц. С точки зрения производительности для модели распознавания лиц, основанной на глубоком обучении, существует два основных тесно связанных фактора: 1) структура глубокой нейронной сети и 2) количество и качество обучающих данных. В реальных приложениях изменение освещенности является одним из наиболее важных факторов, которые существенно влияют на производительность алгоритмов распознавания лиц. Что касается моделей с глубоким обучением, то только при наличии достаточного количества обучающих данных с различной интенсивностью освещения они могут достичь ожидаемой производительности. Тем не менее, такие данные обучения трудно собрать в реальном мире. В этой статье, сфокусированной на проблеме изменения освещения, мы предлагаем глубокую сетевую модель, которая учитывает, как изображение в видимом свете, так и изображение в узком инфракрасном спектре, чтобы выполнить распознавание лица. Изображение в узком инфракрасном спектре, как мы знаем, гораздо менее чувствительно к освещению. Видимое светлое изображение лица содержит много текстурной информации, которая очень полезна для распознавания лиц. Таким образом, мы разработали адаптивную стратегию слияния оценок, в которой едва ли есть потеря информации, и алгоритм ближайшего соседа для проведения окончательной классификации. Экспериментальные результаты показывают, что модель очень эффективна в реальных сценариях и работает намного лучше с точки зрения изменения освещенности, чем другие современные модели.
In recent years, deep networks has achieved outstanding performance in computer vision, especially in the field of face recognition. In terms of the performance for a face recognition model based on deep network, there are two main closely related factors: 1) the structure of the deep neural network, and 2) the number and quality of training data. In real applications, illumination change is one of the most important factors that significantly affect the performance of face recognition algorithms. As for deep network models, only if there is sufficient training data that has various illumination intensity could they achieve expected performance. However, such kind of training data is hard to collect in the real world. In this paper, focusing on the illumination change challenge, we propose a deep network model which takes both visible light image and near-infrared image into account to perform face recognition. Near-infrared image, as we know, is much less sensitive to illuminations. Visible light face image contains abundant texture informationwhich is very useful for face recognition. Thus, we design an adaptive score fusion strategy which hardly has information loss and the nearest neighbor algorithm to conduct the final classification. The experimental results demonstrate that the model is very effective in real-world scenarios and perform much better in terms of illumination change than other state-of-the-art models.
Ключевые слова:глубокое обучение, распознавание лиц, изменение света, недостаточность обучающей выборки, deep network, face recognition, Illumination change, Insufficient training data
