Reconnaissance faciale intermodalité via un Bayésien joint hétérogène

Dans de nombreuses applications de reconnaissance faciale, les modalités des images faciales entre les ensembles galerie et sonde diffèrent, ce qui est connu sous le nom de reconnaissance faciale hétérogène. Comment réduire l'écart de caractéristiques entre des images de différentes modalités est une question critique pour développer un algorithme de reconnaissance faciale hautement précis. Récemment, le Bayésien joint (JB) a démontré des performances supérieures en reconnaissance faciale générale par rapport aux méthodes traditionnelles d'analyse discriminante comme l'apprentissage par sous-espace. Cependant, le JB original traite les deux échantillons d'entrée de manière égale et ne prend pas en compte la différence de modalité entre eux, ce qui peut être sous-optimal pour résoudre le problème de reconnaissance faciale hétérogène. Dans ce travail, nous étendons le JB original en modélisant les images de la galerie et de la sonde à l'aide de deux distributions gaussiennes différentes pour proposer une formulation de Bayésien joint hétérogène (HJB) pour la reconnaissance faciale intermodale. Le HJB proposé modélise explicitement la différence de modalité des paires d'images et, par conséquent, est capable de mieux discriminer les paires de visages identiques/différents avec précision. D'amples expériences menées dans le cas de reconnaissance faciale visible-près-infrarouge et photo d'identité contre reconnaissance faciale en spot montrent la supériorité du HJB par rapport aux méthodes précédentes.