2023年7月25日，黄永祯课题组在人工智能领域顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence （TPAMI）发表了题为Multiscale Dynamic Graph Representation for Biometric Recognition with Occlusions的研究论文。

该论文针对生物特征识别中的遮挡问题进行了深入研究。遮挡是真实场景下的生物识别的常见挑战。由于遮挡的不利影响，深度神经网络的泛化能力大大降低。为此，该研究提出了一种新的生物特征表达框架，将卷积神经网络和深度图模型的优点相结合，以克服生物识别中的遮挡问题，称为多尺度动态图表示方法（Multiscale dynamic graph representation，MS-DGR）。卷积神经网络将生物特征样本的子区域特征建模为高层特征表达，进而通过深度图模型将这些特征进行重新组织，得到特征图（Feature graph，FG）。FG内的每个节点包含了输入样本的特定局部区域的特征模式，节点之间的边则表达了生物特征样本中局部特征模型的共现关系。通过分析节点表示的相似性以及邻接矩阵之间拓扑结构，论文所提出的框架能够利用动态图匹配来自适应地丢弃与被遮挡部分相对应的节点。在此基础上，改模型进一步结合了多尺度策略，以获得代表不同尺度的特征模式的特征表达。此外，通过节点以及拓扑结构的匹配关系，该研究所提出的框架能够显式地表达识别模型的决策一句，显著增强了模型的可解释性。

图1 首先通过卷积神经网络将生物特征样本的子区域特征模式建模为高层特征表达，进而通过深度图模型将这些特征进行重新组织，得到特征图（Feature graph，FG）。在动态匹配过程中，自适应地去除与被遮挡部分相对应的节点和边，从而增加遮挡样本的类内相似度，有效缓解遮挡对识别带来的不利影响。

本研究获得了国家重点研发计划、国家自然科学基金的资助。论文第一作者为任民；通讯作者为孙哲南教授。

论文题目：Multiscale Dynamic Graph Representation for Biometric Recognition with Occlusions

论文网址：https://ieeexplore.ieee.org/abstract/document/10193782

课题组老师联系方式： renmin@bnu.edu.cn huangyongzhen@bnu.edu.cn