Browsing by Author "Prieto Hurtado, Loreto"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- ItemDataset and experimental protocol for face re-identification with low resolution images(2020) Prieto Hurtado, Loreto; Mery Quiroz, Domingo; Pontificia Universidad Católica de Chile. Escuela de IngenieríaUn protocolo experimental consiste en pautas acordadas para un tipo de experimento. En la investigación, los protocolos a menudo se descuidan y los investigadores que utilizan trabajos anteriores en sus propios proyectos tienen que dedicar una cantidad significativa de tiempo a replicar métodos descritos de manera inadecuada. Por otro lado, la investigación en re-identificación de rostros de baja resolución ha ido aumentando en los últimos años. La re-identificación de rostro de baja resolución se refiere al problema de identificar si el rostro de una misma persona aparece en dos imágenes, una de baja resolución (BR) y otra de alta resolución (AR). El trabajo previo en re-identificación de rostros de baja resolución se puede dividir en tres categorías: 1) mapeo de AR, 2)métodos que emplean características robustas de BR y AR, 3) métodos que aprenden una representación espacial unificada. En este trabajo, estamos proponiendo la definición de un protocolo para experimentos de mapeo de AR de re-identificación facial y un protocolo de base de datos para todos los métodos de re-identificación facial de baja resolución. El protocolo de la base datos se ha utilizado como una guía para crear un conjunto de pares de entrenamiento y prueba para la re-identificación de rostro utilizando la base de datos VGG Face 2. Además, se ha elaborado un algoritmo de referencia con otros 12 experimentos para validar el protocolo experimental. Se obtuvo un d0 = 1:236 y AUC = 0:81 para un conjunto de tamaño de 14x14 píxeles, d0 = 1:421 y AUC = 0:84 para un conjunto de tamaño de 28x28 píxeles y d0 = 1:547 y AUC = 0; 87 para un conjunto de tamaño de 56x56 píxeles. Nuestro objetivo es que los investigadores en el campo utilice este trabajo como un conjunto de pautas para construir su propio trabajo de manera comparable y replicable.
- ItemOn Low-Resolution Face Recognition in the Wild: Comparisons and New Techniques(IEEE, 2019) Li, P.; Prieto Hurtado, Loreto; Mery Quiroz, Domingo; Flynn, P.J.Although face recognition systems have achieved impressive performance in recent years, the low-resolution face recognition task remains challenging, especially when the low-resolution faces are captured under non-ideal conditions, which is widely prevalent in surveillance-based applications. Faces captured in such conditions are often contaminated by blur, non-uniform lighting, and non-frontal face pose. In this paper, we analyze the face recognition techniques using data captured under low-quality conditions in the wild. We provide a comprehensive analysis of the experimental results for two of the most important applications in real surveillance applications, and demonstrate practical approaches to handle both cases that show promising performance. The following three contributions are made: (i) we conduct experiments to evaluate super-resolution methods for low-resolution face recognition; (ii) we study face re-identification on various public face datasets, including real surveillance and low-resolution subsets of large-scale datasets, presenting a baseline result for several deep learning-based approaches, and improve them by introducing a generative adversarial network pre-training approach and fully convolutional architecture; and (iii) we explore the low-resolution face identification by employing a state-of-the-art supervised discriminative learning approach. The evaluations are conducted on challenging portions of the SCface and UCCSface datasets.