Hierarchical Multi-Scale Patch Attention and Global Feature-Adaptive Fusion for Robust Occluded Face Recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Occluded face recognition remains a challenging problem in biometric identification, where real-world obstructions such as masks, sunglass, scarves, and hands obscure key facial features. To address this, We introduce a dual-branch architecture that combines Local Multi-Patch Attention Module (LMPAM) for extracting localized features with a Global Self-Attention Channel Module (GSACM) to enhance overall feature representation. The local branch utilizes multi-scale patch attention to adaptively emphasize visible facial regions, ensuring robust feature learning from unoccluded areas. Meanwhile, the global branch employs self-attention with channel recalibration to enhance discriminative features, capturing long-range dependencies while suppressing occlusion-induced noise. The two branches are integrated using Dynamic Weighted Local-Global Fusion (DW-LG), allowing the model to balance local and global information effectively. Unlike predefined occlusion-aware methods, our approach generalizes across occlusions of varying types, regions, and sizes and demonstrates robustness on multiple datasets with changes in illumination, pose, and facial expression—without requiring explicit localization. Extensive evaluations on CASIA-WebFace, LFW, and AR datasets demonstrate the effectiveness of our approach, achieving higher recognition performance under severe occlusion conditions.
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.
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 | 0,001 |
| 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 | 0,000 |
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 découle