مقاله انگلیسی رایگان در مورد شبکه چهره با قابلیت تغییر شکل برای تشخیص چهره – الزویر ۲۰۲۰

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله شبکه چهره با قابلیت تغییر شکل برای تشخیص چهره با ژست ثابت
عنوان انگلیسی مقاله Deformable face net for pose invariant face recognition
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۳۴ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۷٫۳۴۶ در سال ۲۰۱۹
شاخص H_index ۱۸۰ در سال ۲۰۲۰
شاخص SJR ۱٫۳۶۳ در سال ۲۰۱۹
شناسه ISSN ۰۰۳۱-۳۲۰۳
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط کامپیوتر
گرایش های مرتبط مهندسی الگوریتم ها و محاسبات، هوش مصنوعی، مهندسی نرم افزار
نوع ارائه مقاله
ژورنال
مجله  تشخیص الگو – Pattern Recognition
دانشگاه Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS, Beijing, 100190, China
کلمات کلیدی تشخیص چهره با قیافه بدون تغییر، از بین رفتن ثبات جابجایی، فقدان حالت سه گانه
کلمات کلیدی انگلیسی Pose-invariant face recognition، Displacement consistency loss، Pose-triplet loss
شناسه دیجیتال – doi
https://doi.org/10.1016/j.patcog.2019.107113
کد محصول E14720
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Related works

۳- Method

۴- Experiments

۵- Conclusions

References

بخشی از متن مقاله:

Abstract

Unconstrained face recognition still remains a challenging task due to various factors such as pose, expression, illumination, partial occlusion, etc. In particular, the most significant appearance variations are stemmed from poses which leads to severe performance degeneration. In this paper, we propose a novel Deformable Face Net (DFN) to handle the pose variations for face recognition. The deformable convolution module attempts to simultaneously learn face recognition oriented alignment and identity-preserving feature extraction. The displacement consistency loss (DCL) is proposed as a regularization term to enforce the learnt displacement fields for aligning faces to be locally consistent both in the orientation and amplitude since faces possess strong structure. Moreover, the identity consistency loss (ICL) and the pose-triplet loss (PTL) are designed to minimize the intra-class feature variation caused by different poses and maximize the inter-class feature distance under the same poses. The proposed DFN can effectively handle pose invariant face recognition (PIFR). Extensive experiments show that the proposed DFN outperforms the state-of-the-art methods, especially on the datasets with large poses.

INTRODUCTION

Face recognition, as a fundamental problem in computer vision, has received more and more attentions in recent years. Equipped with powerful convolutional neural networks (CNNs), the accuracy has a rapid boost that face recognition under controlled settings (i.e., near-frontal poses, neutral expressions, normal illuminations, etc.) seems to be solved. However, under the uncontrolled environment, a number of factors (e.g., pose, illumination, resolution, occlusion, and expression) significantly affect the performance of face recognition system. Among these factors, self-occlusion from out-plane poses brings about large appearance variations. The misalignment problem heavily hurts the face recognition system. In this paper, we further push the frontier of this research area by simultaneously considering face recognition oriented alignment and identitypreserving feature extraction under deep neural networks, which aims at tackling the pose-invariant face recognition (PIFR) problem.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *