Mejorar el reconocimiento facial en 3D: logrando ganancias significativas a través del aumento generativo asistido en...

Área de la Ciencia:

• Visión por computadora
• Información biométrica
• Aprendizaje automático

Sus antecedentes:

• El reconocimiento facial 3D basado en aprendizaje profundo está limitado por conjuntos de datos faciales 3D escasos y costosos.
• La adquisición de datos faciales en 3D a gran escala es laboriosa y costosa.
• Los métodos existentes luchan con la disponibilidad de datos para un reconocimiento facial 3D robusto.

Objetivo del estudio:

• Desarrollar un método de aumento de datos escalable y rentable para el reconocimiento facial en 3D.
• Para permitir la reconstrucción 3D de la cara de las imágenes 2D abundantes para el entrenamiento.
• Mejorar el rendimiento de los modelos de aprendizaje profundo en el reconocimiento facial 3D utilizando datos sintéticos.

Principales métodos:

• Un nuevo marco de ayuda 2D para la reconstrucción facial 3D a partir de imágenes 2D.
• Integración de la reconstrucción facial 3D con la codificación de imágenes de componentes normales.
• Modelos de reconocimiento profundo de rostros de ajuste fino utilizando datos de rostros 3D generados sintéticamente.

Principales resultados:

• Se han logrado precisiones de rango 1 competitivas en cuatro índices de referencia públicos (BU-3DFE, FRGC v2, Bósforo, BU-4DFE).
• Demostrado alto rendimiento (por ejemplo, 99,2% en BU-3DFE) sin datos reales de entrenamiento en 3D.
• Confirmó que las entradas 3D de mayor fidelidad mejoran la precisión del reconocimiento.

Conclusiones:

• El marco propuesto ofrece un paradigma eficiente y escalable para el reconocimiento facial en 3D.
• El aprovechamiento de imágenes 2D para datos 3D sintéticos es efectivo para los sistemas biométricos prácticos.
• Este enfoque proporciona información sobre las estrategias de capacitación con datos eficientes para las tareas de reconocimiento.