Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | São Paulo State Technological College (FATEC) | - |
Autor(es): dc.contributor | University of Parma | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | University of Florence | - |
Autor(es): dc.creator | Neto, João Baptista Cardia | - |
Autor(es): dc.creator | Ferrari, Claudio | - |
Autor(es): dc.creator | Marana, Aparecido Nilceu | - |
Autor(es): dc.creator | Berretti, Stefano | - |
Autor(es): dc.creator | Del Bimbo, Alberto | - |
Data de aceite: dc.date.accessioned | 2025-08-21T18:02:47Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T18:02:47Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-01-22 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1145/3527158 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249658 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249658 | - |
Descrição: dc.description | In this article, we propose a hybrid framework for cross-resolution 3D face recognition which utilizes a Streamed Attention Network (SAN) that combines handcrafted features with Convolutional Neural Networks (CNNs). It consists of two main stages: first, we process the depth images to extract low-level surface descriptors and derive the corresponding Descriptor Images (DIs), represented as four-channel images. To build the DIs, we propose a variation of the 3D Local Binary Pattern (3DLBP) operator that encodes depth differences using a sigmoid function. Then, we design a CNN that learns from these DIs. The peculiarity of our solution consists in processing each channel of the input image separately, and fusing the contribution of each channel by means of both self- and cross-attention mechanisms. This strategy showed two main advantages over the direct application of Deep-CNN to depth images of the face; on the one hand, the DIs can reduce the diversity between high- and low-resolution data by encoding surface properties that are robust to resolution differences. On the other, it allows a better exploitation of the richer information provided by low-level features, resulting in improved recognition. We evaluated the proposed architecture in a challenging cross-dataset, cross-resolution scenario. To this aim, we first train the network on scanner-resolution 3D data. Next, we utilize the pre-trained network as feature extractor on low-resolution data, where the output of the last fully connected layer is used as face descriptor. Other than standard benchmarks, we also perform experiments on a newly collected dataset of paired high- and low-resolution 3D faces. We use the high-resolution data as gallery, while low-resolution faces are used as probe, allowing us to assess the real gap existing between these two types of data. Extensive experiments on low-resolution 3D face benchmarks show promising results with respect to state-of-the-art methods. | - |
Descrição: dc.description | São Paulo State Technological College (FATEC), Rua Maranhão, 898, Catanduva | - |
Descrição: dc.description | Department of Architecture and Engineering University of Parma, Parco Area delle Scienze, 181/A | - |
Descrição: dc.description | Recogna Laboratory São Paulo State University (UNESP), Av. Eng. Luís Edmundo Carrijo Coube | - |
Descrição: dc.description | Micc University of Florence, Viale Giovanni Battista Morgagni, 65 | - |
Descrição: dc.description | Recogna Laboratory São Paulo State University (UNESP), Av. Eng. Luís Edmundo Carrijo Coube | - |
Idioma: dc.language | en | - |
Relação: dc.relation | ACM Transactions on Multimedia Computing, Communications and Applications | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | 3D face recognition | - |
Palavras-chave: dc.subject | convolutional neural networks | - |
Palavras-chave: dc.subject | feature descriptors | - |
Palavras-chave: dc.subject | self- and cross-attention | - |
Título: dc.title | Learning Streamed Attention Network from Descriptor Images for Cross-Resolution 3D Face Recognition | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: