Aprendizaje de representación compartida para reconocimiento heterogéneo de rostros

Después de una investigación intensiva, el reconocimiento heterogéneo de rostros sigue siendo un problema desafiante. Las principales dificultades se deben a la compleja relación entre los espacios de imágenes de rostros heterogéneos. La heterogeneidad está siempre estrechamente relacionada con otras variaciones, lo que hace que la relación de las imágenes de rostros heterogéneos sea altamente no lineal. Se han propuesto muchos métodos excelentes para modelar la relación no lineal, pero tienden a sobreajustarse al conjunto de entrenamiento, debido a muestras limitadas. Inspirado en los algoritmos no supervisados en el aprendizaje profundo, este artículo propone un nuevo marco para el reconocimiento de rostros heterogéneos. Primero extraemos características de Gabor en algunos puntos faciales localizados, y luego utilizamos Máquinas de Boltzmann Restringidas (RBMs) para aprender una representación compartida localmente para eliminar la heterogeneidad alrededor de cada punto facial. Finalmente, las representaciones compartidas de las RBMs locales se conectan entre sí y se procesan mediante PCA. Se selecciona el problema de reconocimiento de rostros de infrarrojo cercano (NIR) a visible (VIS) y dos bases de datos para evaluar el rendimiento del método propuesto. En la base de datos CASIA HFB, obtenemos resultados comparables a los métodos de última generación. En una base de datos más difícil, CASIA NIR-VIS 2.0, superamos significativamente a otros métodos.