شبکه تجمیع عصبی بازسازی کننده تشخیص چهره در ویدئو

در این مقاله به ارائه شبکه تجمیع عصبی بازسازی کننده RNAN :Regenerative Neural Aggregation Network پرداخته می شود. این شبکه دنباله ای با تعداد متغییر از فریم های چهره در ویدئو را به عنوان ورودی دریافت کرده و بعد از ترمیم و بازسازی فریم ها یک بازنمایی فشرده با ابعاد ثابت از ویژگی فریم ها را تولید می کند. شبکه RNAN پیشنهادی دارای سه بخش اصی است. بخش اول شبکه، فریم ها را دریافت می کند و با استفاده از شبکه مولد تقابلی به بازسازی چهره یا ترمیم کیفیت فریم های با کیفیت پایین می پردازد. بخش دوم شبکه، یک شبکه باقیمانده ای ResNet است که برای استخراج ویژگی از فریم ها استفاده می شود. در نهایت بخش سوم، تعدادی ویژگی استخراج شده از فریم ها را دریافت کرده و یک بردار واحد تجمیع شده را به عنوان خروجی تولید می کند. این خروجی در تایید هویت و بازشناسی چهره در ویدئو استفاده می شود. کارایی دو بخش انتهایی شبکه بر روی مجموعه داده A-IJB مقایسه شده و نتایج نهایی بر روی مجموعه داده ارائه شده Dataset-TV بیان می شود. نتایج نشان می دهند که شبکه RNAN به صورت قابل مشاهده ای نسبت به شبکه های تجمیع ساده بهتر عمل می کند