可传输耦合网络(TCN)：低分辨率人脸识别新方法

"低分辨率人脸识别TCN1" 在人脸识别（FR）技术的发展中，低分辨率人脸识别（CRFR）成为了一个重要的研究方向，尤其是在监控和安全领域，由于设备限制，往往需要处理低分辨率的面部图像。传统的FR方法往往假设图像具有高分辨率和丰富的细节，但实际应用中，这种假设并不成立。低分辨率图像与高分辨率图像的匹配问题降低了识别准确率。 现有的解决策略主要分为两种类型：超分辨率重建和基于投影的方法。超分辨率方法通过重建LR图像来提高其分辨率，但这种方法计算复杂，且不是专为识别任务设计，因此效果有限。而基于投影的方法试图将高分辨率和低分辨率图像对映射到同一特征空间，但同样面临挑战，如类间和类内的关系处理不当。 针对以上问题，论文提出了可传输耦合网络（Transportable Coupling Network, TCN）的新型架构，专门用于跨分辨率人脸识别。TCN由两个网络构成，分别处理高分辨率和低分辨率图像域。关键创新在于引入了可转移的三重损失（Transferable Triplet Loss, TTL），该损失函数有助于拉近同一类别（正对）的低分辨率和高分辨率图像，同时保持不同类别（负对）之间的适当距离。TTL有助于在两个分辨率域之间建立有效的相似性和差异性表示，增强了跨分辨率的识别能力。 为了保证模型训练的稳定性和快速收敛，论文还提出了一种在线三重态选择策略。这种方法动态地选择训练样本，以优化网络对不同分辨率和类别对的处理。实验结果表明，提出的TCN模型在公开的LFW和SCFace数据集上，无论是在低分辨率条件还是不同网络结构下，都显著优于现有的CRFR方法。 TCN通过结合双域网络、可转移的三重损失和在线三重态选择，提供了一种高效且针对性的解决方案，提升了低分辨率人脸识别的性能。这一研究对于实际应用，特别是在监控、安全和身份验证等场景中，具有重大意义，有助于克服分辨率差异带来的识别难题。