Enhancing Kinship Verification through Multiscale Retinex and Combined Deep-Shallow features

要約

顔画像からの親族関係の検証という課題は、パターン認識とコンピューター ビジョンの分野における最先端かつ恐るべきフロンティアを表しています。
この研究分野には、画像の注釈付けや法医学分析からソーシャルメディア研究に至るまで、無数の応用可能性が秘められています。
私たちの研究は、Multiscale Retinex (MSR) という前処理方法を統合することで際立っており、これにより画質が向上し、コントラストが増幅され、最終的に最終結果が強化されます。
戦略的に、私たちの方法論は深いテクスチャ記述子と浅いテクスチャ記述子の調和のとれたブレンドを利用し、ロジスティック回帰 (LR) 法を通じてスコア レベルでそれらを巧みにマージします。
これを解明するために、ローカル位相量子化 (LPQ) 記述子を使用して浅いテクスチャ特性を抽出します。
深い特徴抽出については、畳み込みニューラル ネットワーク (CNN) で事前トレーニングされた VGG16 モデルの優れた機能に注目します。
私たちの方法の堅牢性と有効性は、3 つの厳密な親族データセット、つまり Cornell Kin Face、UB Kin Face、および TS Kin Face に対する綿密な実験を通じてテストされています。

要約(オリジナル)

The challenge of kinship verification from facial images represents a cutting-edge and formidable frontier in the realms of pattern recognition and computer vision. This area of study holds a myriad of potential applications, spanning from image annotation and forensic analysis to social media research. Our research stands out by integrating a preprocessing method named Multiscale Retinex (MSR), which elevates image quality and amplifies contrast, ultimately bolstering the end results. Strategically, our methodology capitalizes on the harmonious blend of deep and shallow texture descriptors, merging them proficiently at the score level through the Logistic Regression (LR) method. To elucidate, we employ the Local Phase Quantization (LPQ) descriptor to extract shallow texture characteristics. For deep feature extraction, we turn to the prowess of the VGG16 model, which is pre-trained on a convolutional neural network (CNN). The robustness and efficacy of our method have been put to the test through meticulous experiments on three rigorous kinship datasets, namely: Cornell Kin Face, UB Kin Face, and TS Kin Face.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google