Auto-Encoders Derivatives on Different Occluded Face Images: Comprehensive Review and New Results
Notice bibliographique
Résumé
This paper presents a novel approach for improving occluded face recognition performance using a family of autoencoders (AE) architectures. The proposed structures include four stages: image preprocessing, feature extraction using autoencoder derivatives, classification via a convolutional neural network (CNN), and evaluation on occluded, non-occluded, and unseen datasets. Three deep autoencoder variants with combinational loss terms have been introduced to extract features from images: Convolutional Autoencoder (CAE), Self-Supervised Convolutional Autoencoder (SSCAE), and Smooth Convolutional Autoencoder (SCAE). A Masked Convolutional Autoencoder (MCAE) is also introduced to evaluate the capability of our convolutional autoencoder model in reconstructing images from masked inputs. Seven public datasets have been utilized to evaluate the performance of the proposed methods: the Extended Yale Dataset B, FERET, CMU Multi-PIE, Occluded ORL, Masked LFW (MLFW), AR, and RMFRD. Occluded ORL is used to analyze the performance of the proposed autoencoder derivatives on severely occluded images. MLFWis used to test the generalization of the proposed methods as an unseen dataset for the encoder part of the autoencoder variants. The recognition accuracies of 100% for FERET, 99.89% for the Extended Yale B, 99.45% for the CMU Multi-PIE, and 94.2% for unseen MLFW, and the ability to reconstruct masked ORL with 90% of masking, demonstrate that the proposed methods achieve significant improvement in accuracy for face recognition with acceptable computational cost in comparison to the state-of-the-art. To the best of our knowledge, this study is the first work where convolutional autoencoder architectures achieve such performance on occluded datasets without incorporating any occlusion-specific design.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».