Apprentissage et détection de têtes humaines invariants au point de vue

Nous présentons une méthode pour apprendre des modèles de têtes humaines dans le but de détection sous différents angles de vue. Nous nous concentrons sur un modèle où les objets sont représentés comme des constellations de caractéristiques rigides (parties). La variabilité est représentée par une fonction de densité de probabilité conjointe (PDF) sur la forme de la constellation. Dans la première étape, la méthode identifie automatiquement des caractéristiques distinctives dans l'ensemble d'entraînement à l'aide d'un opérateur d'intérêt suivi d'une quantification vectorielle. L'ensemble des paramètres du modèle, y compris la forme PDF, est ensuite appris en utilisant l'optimisation d'attente. Les expériences montrent de bonnes performances de généralisation à de nouveaux points de vue et à des visages jamais vus. La performance est supérieure à 90 % de succès avec moins de 1 seconde de temps de calcul par image.