심층학습을 이용한 법의학적 식별을 위한 얼굴 스케치 합성 및 인식
저자
발행사항
전주: 전북대학교 일반대학원, 2020
학위논문사항
학위논문(박사)-- 전북대학교 일반대학원 : 전자·정보공학부(컴퓨터공학 전공) 2020. 2
발행연도
2020
작성언어
영어
주제어
발행국(도시)
전북특별자치도
기타서명
Face Sketch Synthesis and Recognition for Forensic Identification Using Deep Learning
형태사항
vi, 106 p.: 삽화, 표; 26 cm.
일반주기명
전북대학교 논문은 저작권에 의해 보호받습니다.
지도교수: 이효종
참고문헌 : p. 94-104
UCI식별코드
I804:45011-000000050863
소장기관
Recent years, face sketch synthesis and recognition attach increasing attention in computer vision and pattern recognition areas, due to its important applications in law enforcement agencies. Although great achievements have achieved on face sketch synthesis and recognition during last decades, some challenges still are not addressed thoroughly: 1) Losing facial detail information and raising artifact effect during face photo to sketch synthesis; 2) The complex variations between face photo and sketch images like pose, background, and deformation and others usually degrade recognition performance; 3) The limited face sketch datasets impede the deep model training for robust face sketch synthesis and recognition. In order to cope with these problems, this dissertation propose a high-resolution network-based face sketch synthesis method and a transfer learning-based face sketch recognition method.
Face sketch synthesis aims at transforming face photo images to sketch images, which narrows down the massive modality-variation between face photo and sketch images. Then, the homogeneous face recognition approaches can be utilized for face sketch recognition. To generate realistic face sketch images, we propose a face sketch synthesis framework with generative adversarial learning to focus on the detail-preserving in synthesized sketch images. The main framework is based on generative adversarial network (GAN), in which a modified high-resolution network is adopted as generator to transform face image from photograph to sketch domain. Besides the common adversarial loss, we design a detail loss to restrain the synthesized face sketch image has proximate details with its corresponding photo image. In addition, to make the synthesized images have vivid sketch style, a style loss calculated on pseudo sketch feature is adopted to train the generator. Experimental results indicate that the proposed face sketch synthesis method can generate realistic face sketch images with abundant facial detail information and achieve superior performance on objective evaluation.
In order to directly match face sketch image to face photo image, we propose a novel face sketch recognition approach based on transfer learning. Firstly, we design a three-channel convolutional neural network (CNN) architecture in which the triplet loss is employed to learn discriminative features and reduce intra-class variations. Afterwards, we propose a hard triplet sample selection strategy to augment the number of training samples and avoid slow convergence. For each face photo-sketch pair, we choose multiple nearest negative sketch images based on high-level features of the VGG19 network to train the three-channel CNN model. With the proposed method, facial features extracted from digital photo and from sketch of same person are closer; the opposite occurs if the digital photo and sketch are from different identities. Experimental results on multiple public datasets indicate that the proposed face sketch recognition method outperforms the existing approaches.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)