摘要

在不受控制和无约束的环境中（例如远距离、低分辨率、不同视角、光照、姿态和大气条件）进行人脸识别具有挑战性。人脸特征聚合在这样的识别系统中起着关键作用，它涉及将模板中的N个特征表示聚合为一个全局表示。现有的传统人脸特征聚合方法通常利用元数据或高维中间特征表示来估计特征质量以进行聚合。然而，在远距离和高空条件下捕获的极低分辨率人脸图像中，生成高质量的元数据或风格信息是不可行的。为了克服这些限制，我们提出了一种称为CoNAN的特征分布调节方法来进行模板聚合。具体而言，我们的方法旨在学习一个基于输入特征集分布信息的上下文向量，该向量用于根据估计的信息量对特征进行加权。所提出的方法在长距离无约束人脸识别数据集（如BTS和DroneSURF）上产生了最先进的结果，验证了这种聚合策略的优势。