Aprendizado Métrico Profundo Discriminativo para Verificação de Face e Parentesco

Este artigo apresenta um novo método de aprendizado métrico profundo discriminativo (DDML) para verificação de face e parentesco em condições naturais. Enquanto o aprendizado métrico alcançou um desempenho razoavelmente bom na verificação de face e parentesco, a maioria dos métodos existentes de aprendizado métrico visa aprender uma única métrica de distância de Mahalanobis para maximizar as variações entre classes e minimizar as variações intra-classe, o que não consegue capturar a variedade não linear onde as imagens faciais geralmente estão localizadas. Para resolver isso, propomos um método DDML para treinar uma rede neural profunda para aprender um conjunto de transformações hierárquicas não lineares para projetar pares de faces no mesmo espaço de características latentes, sob o qual a distância de cada par positivo é reduzida e a de cada par negativo é aumentada. Para melhor utilizar a comumidade de múltiplos descritores de características para tornar todas as características mais robustas para a verificação de face e parentesco, desenvolvemos um método de aprendizado profundo multi-métrico discriminativo para aprender conjuntamente várias redes neurais, sob o qual a correlação das diferentes características de cada amostra é maximizada, e a distância de cada par positivo é reduzida e a de cada par negativo é aumentada. Resultados experimentais extensivos mostram que nossos métodos propostos alcançam resultados aceitáveis tanto na verificação de face quanto na verificação de parentesco.