Robust Video Face Recognition From a Single Still Using a Synthetic Plus Variational Model
Notice bibliographique
Résumé
Sparse representation-based classification (SRC) techniques have been shown to achieve a high level of performance in video-based face recognition (FR). However, matching faces captured in uncontrolled video conditions against a gallery with a single reference facial still per individual typically yields low accuracy. To improve robustness to intra-class variations, SRC techniques for FR have recently been extended to incorporate variational information from an external generic set into an auxiliary variational dictionary. Despite their success in handling linear variations, probe facial images with non-linear variations due to e.g., changes in pose and expressions, cannot be accurately reconstructed with a linear combination of images from gallery and auxiliary dictionaries because they do not share the same type of variations. In this paper, a new synthetic plus variational model is proposed to account for the non-linearities, particularly with pose variations. It reconstructs a probe image using (1) an auxiliary variational dictionary and (2) an augmented gallery dictionary enriched with a set of synthetic images generated from the reference faces with a wide diversity of pose angles. By solving a newly formulated simultaneous sparsity-based optimization problem, the augmented gallery dictionary is encouraged to share the same sparsity pattern with the variational dictionary for the same pose angles. In this way, each synthetic face in the augmented dictionary is combined with similar facial viewpoint in the variational dictionary. Experimental results obtained on Chokepoint and COX-S2V datasets, using different face representations, indicate that the proposed approach can outperform state-of-the-art SRC-based methods for still-to-video FR with a SSPP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».