МЕТОДИКА ІДЕНТИФІКАЦІЇ БІОМЕТРИЧНИХ ДАНИХ ОБЛИЧЧЯ НА ОСНОВІ ВДОСКОНАЛЕНОГО НЕЙРОМЕРЕЖЕВОГО АЛГОРИТМУ ADAPTIVE FACE RECOGNITION IN THE WILD UNDER HEAVY NOISE

Анотація

У роботі запропоновано методику AFRW-X, яка ґрунтується на ідеї інтеграції адаптивної дифузійної
фільтрації, реалізованої на двох рівнях абстракції, з механізмом псевдо-3D проєкцій для забезпечення
ефективного мультиракурсного злиття векторних представлень.
Ключовими компонентами запропонованої архітектури виступають: каскадний механізм відновлення
зображень, механізм анізотропної дифузії Перона – Маліка та композитна функція втрат.
Каскадний механізм характеризується автоматичним вибором стратегії залежно від типу деградації
(ROF-TV для помірного шуму, PnP-ADMM для змішаних деградацій та DPS для екстремальних умов).
Механізм анізотропної дифузії застосовується до карт глибоких ознак з віртуальних ракурсів і
використовує адаптивне зважування на основі трикомпонентної метрики (видимість, IoU, якість ознак).
Композитна функція втрат, у свою чергу, інтегрує механізм балансування класів.
Експериментальна валідація на чотирьох еталонних датасетах підтвердила суттєву перевагу
запропонованого методу в умовах множинної деградації вхідних зображень. Так, при критичному рівні
адитивного гаусівського шуму, метод AFRW-X (modified) забезпечує відносну точність розпізнавання при вкрай
низькому рівні хибних спрацювань, що перевищує показники базового ArcFace та оригінальної версії AFRW.
Ключовим показником є незначне відносне падіння точності за умов сильного шуму, що задовольняє встановлену
вимогу про допустиме зниження та підтверджує високу робастність методики.
У випадку комплексної деградації, що поєднує всі негативні фактори, запропоноване рішення досягає
точності, що складає 88,5 % розпізнавання при низькому рівні хибних спрацювань та високого показника
інтегральної метрики 78,5 %, що значно перевищує показники існуючих методів.
Наукова новизна полягає у синтезі адаптивної каскадної фільтрації, удосконаленого модуля псевдо-3D
проєкцій та композитної функції втрат для одночасної компенсації множинних факторів деградації.
Такий підхід забезпечує комплексну компенсацію множинної деградації вхідних біометричних даних
обличчя, на відміну від існуючих методів, що розглядають окремі негативні фактори ізольовано.