Efficient Masked Face Recognition Method during the COVID-19 Pandemic

要約

コロナウイルス感染症（COVID-19）は、膨大な数の死傷者と安全上の問題を引き起こす前例のない危機です。
コロナウイルスの蔓延を減らすために、人々は自分自身を守るためにマスクを着用することがよくあります。
これにより、顔の特定の部分が隠れるため、顔認識が非常に困難になります。
現在進行中のコロナウイルスのパンデミックにおいて研究者が主に焦点を当てているのは、迅速かつ効率的な解決策を通じてこの問題に対処するための提案を見つけることです。
この論文では、マスクされた顔認識プロセスの問題に対処するために、オクルージョン除去と深層学習ベースの特徴に基づいた信頼性の高い方法を提案します。
最初のステップは、マスクされた顔の領域を削除することです。
次に、事前にトレーニングされた 3 つの深層畳み込みニューラル ネットワーク (CNN)、つまり VGG-16、AlexNet、および ResNet-50 を適用し、それらを使用して、取得した領域 (主に目と額の領域) から深層特徴を抽出します。
次に、最後の畳み込み層の特徴マップに Bag-of-features パラダイムが適用され、量子化され、古典的な CNN の完全結合層と比較してわずかな表現が得られます。
最後に、多層パーセプトロン (MLP) が分類プロセスに適用されます。
Real-World-Masked-Face-Dataset の実験結果は、他の最先端の手法と比較して高い認識性能を示しています。

要約(オリジナル)

The coronavirus disease (COVID-19) is an unparalleled crisis leading to a huge number of casualties and security problems. In order to reduce the spread of coronavirus, people often wear masks to protect themselves. This makes face recognition a very difficult task since certain parts of the face are hidden. A primary focus of researchers during the ongoing coronavirus pandemic is to come up with suggestions to handle this problem through rapid and efficient solutions. In this paper, we propose a reliable method based on occlusion removal and deep learning-based features in order to address the problem of the masked face recognition process. The first step is to remove the masked face region. Next, we apply three pre-trained deep Convolutional Neural Networks (CNN) namely, VGG-16, AlexNet, and ResNet-50, and use them to extract deep features from the obtained regions (mostly eyes and forehead regions). The Bag-of-features paradigm is then applied to the feature maps of the last convolutional layer in order to quantize them and to get a slight representation comparing to the fully connected layer of classical CNN. Finally, Multilayer Perceptron (MLP) is applied for the classification process. Experimental results on Real-World-Masked-Face-Dataset show high recognition performance compared to other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google