近日，实验室关于遮挡人脸识别的工作被IEEE TIP接受。IEEE TIP的全称为IEEE Transactions on Image Processing，是计算机视觉和图像处理领域的国际期刊之一，2021年SCI影响因子为10.856。论文信息如下：
Locality-aware Channel-wise Dropout for Occluded Face Recognition (Mingjie He, Jie Zhang, Shiguang Shan, Xiao Liu, Zhongqin Wu and Xilin Chen)
当人脸图像被部分遮挡时，人脸识别的系统性能往往会下降。遮挡会带来人脸信息的缺失并引入噪声信息，这使得人脸特征产生较大的类内差异。通过合成遮挡图像来增广训练数据是一种可行的解决遮挡问题的方案。传统的遮挡合成方法主要通过在图像上覆盖黑块或者其他例如围巾、眼镜等遮挡物图像块的方式来生成。然而，这类遮挡合成方法难以获得接近真实场景的遮挡图像。为了解决上述问题，本文提出了一种通过丢弃部分特征通道的神经元输出来进行遮挡模拟的方法。我们首先利用空间正则化损失函数来约束各个特征通道分别响应不同的局部脸部区域。然后，本文提出的局部觉知的通道丢弃方法locality-aware channel-wise dropout (LCD)，通过随机丢弃部分特征通道来模拟遮挡。此外，本文还设计了一个辅助的空间注意力模块。该模块将学习一个通道层面的注意力向量来调整各个特征通道的权重，使得神经网络更加关注那些没有受遮挡影响的特征通道，进而获得对遮挡鲁棒的人脸特征表达。本方法的整体框图如下：
总体而言，本工作的主要贡献如下：
1）提出了一种通过丢弃卷积神经网络中间层部分神经元的输出来模拟遮挡的方法。通过约束神经网络从未遮挡区域提取更多的信息，本方法显著地提升了神经网络对遮挡的鲁棒性。
2）提出了一个空间注意力模块，该模块能够自适应地调整各特征通道的权重，使得神经网络更关注那些没有受遮挡影响的特征通道。
3）本方法在多个人脸识别测试集上取得了明显的性能提升，尤其在有严重遮挡的场景下有更好的精度表现。
附件：