Гетерогенное распознавание лиц по эскизам лица тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Грубер Иван

• Грубер Иван
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Грубер Иван

Содержание

Содержание

Реферат

Synopsis

1. Introduction

1.1 Problem definition

1.2 Brief history of Face Recognition

1.3 Motivation and Application

1.4 Goals of Dissertation

1.5 Outline

2. Classification

2.1 Verification

2.2 Identification

2.3 Testing protocols

3. Face Recognition Datasets

3.1 FERET

3.2 XM2VTS

3.3 LFW

3.4 YouTube Faces

3.5 CMU Multi-Pie

3.6 SFC

3.7 CAS-PEAL

3.8 COX Face

3.9 PaSC

3.10 CelebFaces+

3.11 CASIA WebFace

3.12 IJB

3.13 MegaFace

3.14 MS-Celeb-1M

3.15 VGGFace2

3.16 PIPA

3.17 CFP

3.18 CUFS

3.19 CUFSF

3.20 IIIT-D

3.21 Memory Gap Database

3.22 ILSVRC

4. Network Architectures

4.1 Activation functions

4.1.1 Sigmoid

4.1.2 Tanh

4.1.3 ReLU

4.1.4 Leaky ReLU

4.1.5 Parametric ReLU

4.1.6 Maxout

4.1.7 Softmax

4.2 Layers

4.2.1 Fully-connected

4.2.2 Convolutional

4.2.3 Pooling

4.2.4 Normalization

4.2.5 Loss

4.3 Regularization techniques

4.4 Gradient and back-propagation

4.5 Parameter update - optimization methods

4.5.1 SGD

4.5.2 Momentum

4.5.3 Nestorov Momentum

4.5.4 Adagrad

4.5.5 RMSprop

4.5.6 Adam

4.5.7 Nadam

4.6 AlexNet

4.7 VGG

4.8 InceptionNet + NiN

4.9 Highway Networks

4.10 ResNet

4.11 DenseNet

4.12 PyramidalNet

4.13 Squeeze-and-Excitation Networks

4.14 Autoencoders

5. Loss Functions

5.1 Euclidean margin based losses

5.1.1 Softmax loss

5.1.2 Contrastive loss

5.1.3 Triplet loss

5.1.4 Center loss

5.2 Angular and cosine margin based losses

5.2.1 Angular Softmax loss

5.2.2 COCO loss

5.2.3 Arc loss

6. Generative Adversarial Networks

6.1 VAEGAN

6.2 Conditional GAN

6.3 DR-GAN

6.4 FacelD-GAN

6.5 PG-GAN

6.6 Pix2pix

6.7 UNIT/MUNIT

7. Single Image-Based Recognition

7.1 Engineered-based methods

7.1.1 Local feature-based methods

7.1.2 Local appearance-based methods

7.2 Learn-based methods

7.2.1 Statistical methods

7.2.2 AI methods

7.3 3D Face synthesis-based methods

8. Face Recognition from Other Sensory Input

8.1 Video sequence

8.2 Heterogeneous face recognition

8.2.1 Facial Sketches

8.2.2 3D data

8.2.3 Infrared light

9. X-Bridge based heterogeneous face recognition system

9.1 Cross-modal bridge

9.2 Feature Extractor

9.3 Pipeline of the system

9.4 Facial Features Preservation Score

10. Experiments

10.1 Feature extractor comparison

10.1.1 Training data

10.1.2 Comparison of state-of-the-art architectures

10.1.3 Comparison of loss functions

10.1.4 Discussion

10.2 Cross-modal bridge comparison

10.2.1 Training data

10.2.2 Testing data

10.2.3 Quantitative-results testing protocol

10.2.4 PG-GAN

10.2.5 VAEGAN

10.2.6 Pix2pix

10.2.7 UNIT

10.2.8 X-Bridge

10.2.9 Quantitative results comparison

10.2.10 Discussion

11. Conclusion

11.1 Thesis summary

11.2 Dissertation goals

11.2.1 Face recognition methods

11.2.2 Cross-modal bridge comparison

11.2.3 Heterogeneous face recognition system

11.3 Future work

Список рисунков

Список таблиц

Список литературы

Публикации автора по теме диссертации

Введение диссертации (часть автореферата) на тему «Гетерогенное распознавание лиц по эскизам лица»

Реферат

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность диссертационной работы берет начало из значимости задач распознавания лиц в целом. Распознавание лиц становится очень популярным в последние годы. По сравнению другими традиционными биометрическими данными, такими как отпечатки пальцев или радужная оболочка глаза, распознавание лица имеет три основных преимущества: (1) распознавание лица не требует коммуникации с субъектом; (2) необходимое оборудование намного дешевле; (3) люди идентифицируют других по их лицу, поэтому это наиболее естественный подход. Кроме того, распознавание лиц имеет множество реальных применений. В этой работе отмечается специализация на гетерогенных задачах распознавания лиц по их эскизам. Эта задача очень важна для помощи правоохранительным органам в автоматическом определении субъектов или предметов, когда доступен только эскиз, основанный на описании очевидцев.

Степень разработки проблемы. Гетерогенная система распознавания лиц состоит из двух основных частей: (1) кросс-модальный мост; (2) извлечение признаков. Принимая во внимание, что извлечение признаков исследовано уже достаточно хорошо, конструкция кросс-модального моста все еще является слабым местом всей системы.

Предметом исследования этой работы является разработка новой гетерогенной системы распознавания лиц на основе нового кросс-модального моста, основанного на синтезе данных.

Целью данного исследования является повышение качества синтезированных данных и повышение точности распознавания лиц всей системы. Исследование соответствует паспорту специальности 05.13.17, в частности, пунктам 5, 6, 7.

Задачи исследования:

— Анализ современных методов распознавания лиц.

— Анализ современных архитектур нейросетей и функций потерь

— Анализ методов, потенциально пригодных для использования в качестве кросс-модального моста.

— Разработка нового метода на основе GAN моделей (Generative Adversarial Nets - Генеративные состязательные нейросети), используемого в качестве кросс-модального моста.

— Разработка новой гетерогенной системы распознавания лиц на основе предложенного метода.

— Экспериментальное исследование системы распознавание лиц и сравнение ее с другими современными методами.

Научная новизна работы заключается в решении некоторых актуальных проблем существующей гетерогенной системы распознавания лиц, в частности, путем усовершенствования части кросс-модального моста.

На защиту выносится:

— Разработка нового метода, основанного на GAN, называемого X-Bridge, используемого в качестве кросс-модального моста.

— Разработка новой гетерогенной системы распознавания лиц на основе X-Bridge.

— Улучшение результатов современных систем гетерогенного распознавания лиц.

— Предложение новой метрики-показателя (Оценка сохранности признаков лица), предназначенной для объективного измерения эффективности кросс-модальных мостов.

Диссеминация результатов представлена публикациями и докладами на международных научных конференциях, семинарах и совещаниях, в том числе:

— 1st International Conference on Interactive Collaborative Robotics (ICR), 2016, Будапешт, Венгрия

— 19th International Conference on Speech and Computer (SPECOM), 2017, Хатфилд, Великобритания

— Студенческие научные конференции в Университете Западной Богемии, 2012-2018, Пльзень, Чехия

— Студенческие научные конференции в Университете ИТМО, 2018, Санкт-Петербург, Россия

Практическая значимость основных результатов подтверждается в следующих проектах:

Assistive Mobile Information Robot (AMIR) (совместный проект Западночешского университета и СПИИРАН, Санкт-Петербург) и Многомодальное человеко-машинное взаимодействие (исследовательский проект Западночешского университета).

Публикации. На эту тему были опубликованы 3 статьи, которые проиндексированы в SCOPUS, а также еще 7 статей, связанных с этой работой, были опубликованы и представлены в молодежных конференциях и изданиях.

Личный вклад автора заключается в разработке и внедрении гетерогенной системы распознавания лиц на основе нового метода X-Bridge и улучшении результатов современных систем гетерогенного распознавания лиц.

Структура работы. Диссертация состоит из 11 глав, приложения и списка использованной литературы (содержит 191 источник). Содержит 124 страницы текста. в том числе 77 рисунков и девять таблиц.

Заключение диссертации по теме «Теоретические основы информатики», Грубер Иван

Обсуждение

В этом разделе описаны эксперименты с различными кросс-модальными мостами и с гетерогенной системой распознавания лиц. Как качественные, так и количественные результаты предоставляются для различных параметров тестирования.

Мой предложенный метод X-Bridge, обеспечивает превосходные качественные результаты во всех соответствующих областях. Более того, X-Bridge достигает высоких количественных результатов и значительно превосходит другие протестированные методы. Я полагаю, что такой значимый успех обусловлен двумя основными факторами: (1) метод основан на контролируемом обучении, которое обычно обеспечивает лучшие результаты, если имеются некоторые данные обучения; (2) добавление пути восстановления, которое мотивирует кодировщик сохранять и кодировать важные признаки лица в совместно используемом скрытом пространстве.

Заключение

Эта глава состоит из трех основных частей. В первой части приведено краткое содержание работы и сделаны выводы. Вторая часть посвящена оценке целей диссертации. Последняя часть обрисовывает в общих чертах будущую работу и возможные улучшения представленной системы.

Краткое содержание диссертации

Эта работа предлагает новую гетерогенную систему распознавания лиц, основанную на новом методе кросс-модального моста на основе синтеза, названного X-Bridge. В гетерогенной задаче

распознавания лиц система должна преодолеть различия между двумя способами распознавания, используя кросс-модальный мост, прежде чем можно будет использовать традиционные подходы распознавания лиц. Именно для этой задачи разработан и представлен новый метод, основанный на порождающих состязательных сетях под названием X-Bridge. Основная цель X-Bridge состоит в том, чтобы преобразовать входное изображение из первой модальности во вторую модальность, то есть генерировать соответствующее изображение из второй модальности, сохраняя при этом важные признаки лица. На первом этапе X-Bridge кодирует входное изображение в совместно используемое скрытое пространство. На втором этапе на основе полученного скрытого кода генерируется преобразованное изображение.

Извлечение признаков лица, выполненное на основе DenseNet, затем применяется к преобразованному изображению. DenseNet обучен на наборе данных Casia-WebFace, а также использует Arc функцию потерь для создания компактных кластеров классов с запасом между ними. Сравнивая его с использованием традиционного Softmax, Arc значительно улучшают разделимость кластеров классов, особенно в протоколе классификации открытого набора. В ходе тестирования признаки, предоставляемые DenseNet, сравниваются с опорными признаками, взятыми из тестовой базы данных, и классифицируются в соответствии с их расстоянием и расчетным порогом.

Обе части системы, кросс-модальный мост и извлечение признаков сравниваются с другими современными методами и достигают превосходных результатов. Кроме того, предложена новая метрика-показатель (Оценка сохранности признаков лица - FFPS). FFPS предназначена для объективного измерения производительности кросс-модального моста в задаче гетерогенного распознавания лиц.

Цели диссертации

В этом разделе представлена оценка целей диссертации. Каждое определение цели повторяется и сопровождается оценкой работы и обсуждением результатов.

Методы распознавания лиц

Современные подходы к распознаванию лиц имеют три основных атрибута: (1) данные обучения; (2) архитектура нейронной сети; и (3) Расчет функции потерь. Эта цель направлена на анализ существующих наборов данных по распознаванию лиц, современных методов и доступных функций потери.

В диссертации можно найти краткий обзор наборов данных распознавания лиц. Основываясь на обзоре, выбран подходящий набор данных для обучения и тестирования как основных частей системы, так и кросс-модального моста и извлечения признаков. Обзор различных архитектур нейронных сетей и функций потерь также приведен в диссертации. Самые важные тестируются, а лучшие используются в конечном решении гетерогенной системы распознавания лиц.

Это позволяет считать цель диссертации достигнутой.

Сравнение кросс-модальных мостов

Каждая гетерогенная система распознавания лиц нуждается в кросс-модальной части моста, чтобы преодолеть различия между двумя различными модальностями. Эта цель диссертации направлена на анализ существующих методов, потенциально используемых в качестве кросс-модального моста. С быстрым развитием генеративных состязательных сетей, которые предлагают огромный потенциал для основанных на синтезе кросс-модальных мостов. В диссертации можно найти обзор генеративных состязательных сетей.

Наиболее перспективные из них исследованы и сравнены. Кроме того, предлагается новый метод под названием X-Bridge. X-Bridge решает некоторые проблемы существующих методов и достигает самых современных результатов. Представлены как качественные, так и количественные результаты для всех проверенных кросс-модальных мостов.

Это позволяет считать цель диссертации достигнутой.

Гетерогенная система распознавания лиц

Традиционная гетерогенная система распознавания лиц состоит из двух основных частей: (1) кросс-модальный мост; (2) классификатор. Эта цель направлена на применение методов из предыдущих подразделов и объединение их в новой гетерогенной системе распознавания лиц при решении некоторых из их проблем.

В главе представлена новая гетерогенная система распознавания лиц на основе X-Bridge и DenseNet. X-Bridge превосходит другие современные методы с точки зрения сходства между переведенными и соответствующими изображениями, надежности, обобщающей способности и сохранения признаков лица. Более того, система, использующая X-Bridge, достигает превосходных результатов по сравнению с системами, использующими другие кросс-модальные мосты.

Данную цель диссертации можно считать достигнутой.

Дальнейшая работа

Во время разработки гетерогенной системы распознавания лиц были обнаружены несколько проблем. Во-первых, не удалось успешно обучить кросс-модальный мост на основе РС-СЛМ, однако, этот подход может быть очень перспективным для будущих исследований..

Во-вторых, у X-Bridge есть проблемы с преобразованием изображений лица в профильных позах. В-третьих, у X-Bridge также есть проблемы с эскизами, нарисованными в разных стилях, в отличии от стиля обучающего набора. Предложены три различных подхода для решения этих проблем в будущем. Во-первых, расширить обучающий набор данными с большими вариациями поз и нарисованными в разных стилях. Это может быть проблематично из-за того, что получение эскизов лица в хорошем качестве не является тривиальной задачей. Во-вторых, предлагается использовать метод обучения с подкреплением, то есть найти аналогичную задачу преобразования между двумя модальностями с большим количеством доступных данных, обучить метод X-Bridge этой задаче и затем выполнить точную настройку метода с помощью пары данных «изображение-эскиз». В-третьих, разработка лучшего неконтролируемого метода для преобразования изображений. Это позволяет нам использовать непарные данные, которые гораздо проще получить.

Последняя проблема - значительное снижение производительности метода X-Bridge для изображений в реальных условиях. Эта проблема не рассматривалась в данной работе, потому что в задачах изучения базы данных о людях не ожидается, что подозреваемые будут описаны в таких условиях. Однако, например, в задачах наблюдения при использовании тепловизорных камер способность распознавать человека в произвольных условиях может быть полезной.

Основные результаты

В ходе выполнения диссертационной работы получены следующие основные результаты:

— выполнен обзор наборов данных по распознаванию лиц;

— исследованы современные архитектуры, используемые в задачах классификации;

— исследованы современные функции потерь;

— выполнен обзор современных методов, используемых в задаче распознавания лиц;

— проанализированы методы, которые потенциально могут использоваться в качестве кросс-модального моста на основе синтеза;

— предложен новый кросс-модальный мост, названный X-Bridge;

— разработана новая система гетерогенного распознавания лиц;

— улучшены современные результаты по гетерогенному распознаванию лиц.

Список литературы диссертационного исследования кандидат наук Грубер Иван, 2019 год

Список литературы

1. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. — Vol. 1. — 2001. — Pp. I-511-I-518 vol.1.

2. Improved Techniques for Training GANs / Tim Salimans, Ian J. Goodfellow, Wojciech Zaremba et al. // CoRR. — 2016. — Vol. abs/1606.03498.

3. Going Deeper with Convolutions / Christian Szegedy, Wei Liu, Yangqing Jia et al. // CoRR. — 2014. — Vol. abs/1409.4842.

4. Deng Jiankang, Guo Jia, Zafeiriou Stefanos. ArcFace: Additive Angular Margin Loss for Deep Face Recognition // CoRR. — 2018. — Vol. abs/1801.07698.

5. Chollet François et al. Keras. — https://keras.io. — 2015.

6. Automatic differentiation in PyTorch / Adam Paszke, Sam Gross, Soumith Chintala et al. — 2017.

7. Facing Face Recognition with ResNet: Round One / Ivan Gruber, Miroslav Hlavâc, Milos Zelezny, Alexey Karpov // Interactive Collaborative Robotics / Ed. by Andrey Ronzhin, Gerhard Rigoll, Roman Meshcheryakov. — Cham: Springer International Publishing, 2017. — Pp. 67-74.

8. Image-to-Image Translation with Conditional Adversarial Networks / Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros // CoRR. — 2016. — Vol. abs/1611.07004.

9. Liu Ming-Yu, Breuel Thomas, Kautz Jan. Unsupervised Image-to-Image Translation Networks // CoRR. — 2017. — Vol. abs/1703.00848.

10. Multimodal Unsupervised Image-to-Image Translation / Xun Huang, Ming-Yu Liu, Serge J. Be-longie, Jan Kautz // CoRR. — 2018. — Vol. abs/1804.04732.

11. Kohonen G. Self-organization and Associative Memory. — Berlin, Germany, 1994.

12. Kirby M., Sirovich L. Application of the karhunen-loeve procedure for the characterization of human faces // IEEE Pattern Analysis and Machine Intelligence. — 1990. — Vol. 12, no. 1. — Pp. 103-108.

13. Turk Matthew, Pentland Alex. Eigenfaces for Recognition // J. Cognitive Neuroscience. — 1991. — . — Vol. 3, no. 1. — Pp. 71-86.

14. Ding Changxing, Tao Dacheng. A Comprehensive Survey on Pose-Invariant Face Recognition // ACM Trans. Intell. Syst. Technol. — 2015. — . — Vol. 7, no. 3. — Pp. 37:1-37:42.

15. Biometrics 101: Verification vs Identification. — URL: http://www.eyeverify.com/blog/ biometrics-101- verification- vs- identification.

16. SphereFace: Deep Hypersphere Embedding for Face Recognition / Weiyang Liu, Yandong Wen, Zhiding Yu et al. // CoRR. — 2017. — Vol. abs/1704.08063.

17. The FERET Evaluation Methodology for Face-Recognition Algorithms / P. Jonathon Phillips, Hyeonjoon Moon, Syed A. Rizvi, Patrick J. Rauss // IEEE Trans. Pattern Anal. Mach. Intell. — 2000. — . — Vol. 22, no. 10. — Pp. 1090-1104.

18. Hasan K., Moalem Md. S., Pal C. Localizing facial keypoints with global descriptor search, neighbour alignment and locally linear models // Computer Vision Workshops (ICCVW), IEEE International Conference. — 2013. — Pp. 362-369.

19. Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments: Tech. Rep. 07-49 / Gary B. Huang, Manu Ramesh, Tamara Berg, Erik Learned-Miller: University of Massachusetts, Amherst, 2007. — October.

20. Wolf L., Hassner T., Maoz I. Face Recognition in Unconstrained Videos with Matched Background Similarity // Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. — CVPR '11. — Washington, DC, USA: IEEE Computer Society, 2011. — Pp. 529-534.

150

21. Multi-PIE / R. Gross, I. Matthews, J. F. Cohn et al. // Proceedings of The Eighth IEEE International Conference on Automatic Face and Gesture Recognition. — 2008.

22. DeepFace: Closing the Gap to Human-Level Performance in Face Verification / Y. Taigman, M. Yang, M. Ranzato, L. Wolf // 2014 IEEE Conference on Computer Vision and Pattern Recognition. — 2014. — June. — Pp. 1701-1708.

23. Gao Wen, Cao Bo, Shan Shiguang et al. The CAS-PEAL Large-Scale Chinese Face Database and Baseline Evaluations.

24. A Benchmark and Comparative Study of Video-based Face Recognition on COX Face Database / Zhiwu Huang, Shiguang Shan, Ruiping Wang et al.

25. The challenge of face recognition from digital point-and-shoot cameras / J. R. Beveridge, P. J. Phillips, D. S. Bolme et al. // 2013 IEEE Sixth International Conference on Biometrics: Theory, Applications and Systems (BTAS). — 2013. — Pp. 1-8.

26. Deep Learning Face Attributes in the Wild / Ziwei Liu, Ping Luo, Xiaogang Wang, Xiaoou Tang // Proceedings of International Conference on Computer Vision (ICCV). — 2015. — December.

27. MaskGAN: Towards Diverse and Interactive Facial Image Manipulation / Cheng-Han Lee, Ziwei Liu, Lingyun Wu, Ping Luo // Technical Report. — 2019.

28. Learning Face Representation from Scratch / Dong Yi, Zhen Lei, Shengcai Liao, Stan Z. Li // CoRR. — 2014. — Vol. abs/1411.7923.

29. Pushing the frontiers of unconstrained face detection and recognition: IARPA Janus Benchmark A / B. F. Klare, B. Klein, E. Taborsky et al. // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2015. — June. — Pp. 1931-1939.

30. The MegaFace Benchmark: 1 Million Faces for Recognition at Scale / Ira Kemelmacher-Shlizerman, Steven M Seitz, Daniel Miller, Evan Brossard // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2016.

31. MS-Celeb-1M: A Dataset and Benchmark for Large Scale Face Recognition / Yandong Guo, Lei Zhang, Yuxiao Hu et al. // European Conference on Computer Vision / Springer. — 2016.

32. VGGFace2: A dataset for recognising faces across pose and age / Qiong Cao, Li Shen, Weidi Xie et al. // CoRR. — 2017. — Vol. abs/1710.08092.

33. Beyond Frontal Faces: Improving Person Recognition Using Multiple Cues / Ning Zhang, Manohar Paluri, Yaniv Taigman et al. — 2015.

34. Frontal to Profile Face Verification in the Wild / S. Sengupta, J.C. Cheng, C.D. Castillo et al. // IEEE Conference on Applications of Computer Vision. — 2016. — February.

35. Martinez A., Benavente R. The AR Face Database // CVC Technical Report 24. — 1998.

36. Zhang W, Wang X., Tang X. Coupled Information-Theoretic Encoding for Face Photo-Sketch Recognition // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2011.

37. Memetic Approach for Matching Sketches with Digital Face Images / H.S. Bhatt, S. Bharadwaj, R. Singh, M. Vatsa // IIITD-TR-2011-006. — 2011.

38. ForgetMeNot: Memory-Aware Forensic Facial Sketch Matching / S. Ouyang, T. M. Hospedales, Y. Song, X. Li // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — June. — Pp. 5571-5579.

39. ImageNet Large Scale Visual Recognition Challenge / Olga Russakovsky, Jia Deng, Hao Su et al. // International Journal of Computer Vision (IJCV). — 2015. — Vol. 115, no. 3. — Pp. 211-252.

40. CS231n Convolution Neural Networks for Visual Recognition. — URL: http://cs231n.github.io/.

41. Neuronove site. — URL: http://www.kky.zcu.cz/cs/courses/neu.

42. Self-Organizing Maps / Ed. by T. Kohonen, M. R. Schroeder, T. S. Huang. — 3rd edition. — Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2001.

43. Generative Adversarial Nets / Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza et al. // Proceedings of the 27th International Conference on Neural Information Processing Systems - Volume 2. — NIPS'14. — Cambridge, MA, USA: MIT Press, 2014. — Pp. 2672-2680.

44. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation / Liang-Chieh Chen, Yukun Zhu, George Papandreou et al. // CoRR. — 2018. — Vol. abs/1802.02611.

45. Lin M., Chen Q., Yan S. Network in network // International Conference on Learning Representation. — 2014.

46. Learning Deep Features for Discriminative Localization / Bolei Zhou, Aditya Khosla, Agata Lapedriza et al. // CoRR. — 2015. — Vol. abs/1512.04150.

47. Ioffe Sergey, Szegedy Christian. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift // CoRR. — 2015. — Vol. abs/1502.03167.

48. Salimans Tim, Kingma Diederik P. Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks // CoRR. — 2016. — Vol. abs/1602.07868.

49. Ba Jimmy Lei, Kiros Jamie Ryan, Hinton Geoffrey E. Layer Normalization. — 2016.

50. Ulyanov Dmitry, Vedaldi Andrea, Lempitsky Victor S. Instance Normalization: The Missing Ingredient for Fast Stylization // CoRR. — 2016. — Vol. abs/1607.08022.

51. Dropout: A Simple Way to Prevent Neural Networks from Overfitting / Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky et al. // J. Mach. Learn. Res. — 2014. — . — Vol. 15, no. 1. — Pp. 1929-1958.

52. Glorot Xavier, Bengio Yoshua. Understanding the difficulty of training deep feedforward neural networks // Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics / Ed. by Yee Whye Teh, Mike Titterington. — Vol. 9 of Proceedings of Machine Learning Research. — Chia Laguna Resort, Sardinia, Italy: PMLR, 2010. — 13-15 May. — Pp. 249-256.

53. Duchi John,, Hazan Elad, Singer Yoram. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization: Tech. Rep. UCB/EECS-2010-24: EECS Department, University of California, Berkeley, 2010. — Mar.

54. Overview of mini-batch gradient descent. — URL: http://www.cs.toronto.edu/~tijmen/csc321/ slides/lecture_slides_lec6.pdf.

55. Kingma Diederik P., Ba Jimmy. Adam: A Method for Stochastic Optimization // CoRR. — 2014.

— Vol. abs/1412.6980.

56. Dozat Timothy. Incorporating Nesterov Momentum into Adam. — 2015.

57. Krizhevsky Alex, Sutskever Ilya, Hinton Geoffrey E. Imagenet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. — 2012. — Pp. 1106-1114.

58. Simonyan Karen, Zisserman Andrew. Very Deep Convolutional Networks for Large-Scale Image Recognition // CoRR. — 2014. — Vol. abs/1409.1556. — URL: http://arxiv.org/abs/1409.1556.

59. Lin Min, Chen Qiang, Yan Shuicheng. Network in Network // CoRR. — 2013. — Vol. arXiv preprint arXiv:1312.4400.

60. Learning Deep Features for Discriminative Localization / Bolei Zhou, Aditya Khosla, Agata Lapedriza et al. // CoRR. — 2015. — Vol. abs/1512.04150.

61. Szegedy Christian, Ioffe Sergey, Vanhoucke Vincent. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning // CoRR. — 2016. — Vol. abs/1602.07261.

62. Srivastava Rupesh Kumar, Greff Klaus, Schmidhuber Jürgen. Highway Networks // CoRR. — 2015.

— Vol. abs/1505.00387.

63. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — June. — Pp. 770-778.

64. Identity Mappings in Deep Residual Networks / Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun // CoRR. — 2016. — Vol. abs/1603.05027.

65. Aggregated Residual Transformations for Deep Neural Networks / Saining Xie, Ross B. Girshick, Piotr Dollar et al. // CoRR. — 2016. — Vol. abs/1611.05431.

66. Densely Connected Convolutional Networks / G. Huang, Z. Liu, L. v. d. Maaten, K. Q. Weinberger // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2017. — July. — Pp. 2261-2269.

67. Han Dongyoon, Kim Jiwhan, Kim Junmo. Deep Pyramidal Residual Networks // CoRR. — 2016.

— Vol. abs/1610.02915.

68. Hu Jie, Shen Li, Sun Gang. Squeeze-and-Excitation Networks // CoRR. — 2017. — Vol. abs/1709.01507.

69. Kingma Diederik P, Welling Max. Auto-encoding variational bayes // The 2nd International Conference on Learning Representations. — 2013.

70. Hadsell R., Chopra S., LeCun Y. Dimensionality Reduction by Learning an Invariant Mapping // 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06).

— Vol. 2. — 2006. — June. — Pp. 1735-1742.

71. Sun Yi, Wang Xiaogang, Tang Xiaoou. Deep Learning Face Representation by Joint Identification-Verification // CoRR. — 2014. — Vol. abs/1406.4773.

72. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2015. — June. — Pp. 815-823.

73. A Discriminative Feature Learning Approach for Deep Face Recognition / Yandong Wen, Kaipeng Zhang, Zhifeng Li, Yu Qiao // Computer Vision - ECCV 2016. — Cham: Springer International Publishing, 2016. — Pp. 499-515.

74. Liu Yu, Li Hongyang, Wang Xiaogang. Learning Deep Features via Congenerous Cosine Loss for Person Recognition // CoRR. — 2017. — Vol. abs/1702.06890.

75. Liu Yu, Li Hongyang, Wang Xiaogang. Rethinking Feature Discrimination and Polymerization for Large-scale Recognition // CoRR. — 2017. — Vol. abs/1710.00870.

76. Ranjan Rajeev, Castillo Carlos D., Chellappa Rama. L2-constrained Softmax Loss for Discriminative Face Verification // CoRR. — 2017. — Vol. abs/1703.09507.

77. NormFace: L2 Hypersphere Embedding for Face Verification / Feng Wang, Xiang Xiang, Jian Cheng, Alan L. Yuille // CoRR. — 2017. — Vol. abs/1704.06369.

78. CosFace: Large Margin Cosine Loss for Deep Face Recognition / Hao Wang, Yitong Wang, Zheng Zhou et al. // CoRR. — 2018. — Vol. abs/1801.09414.

79. Additive Margin Softmax for Face Verification / Feng Wang, Weiyang Liu, Haijun Liu, Jian Cheng // CoRR. — 2018. — Vol. abs/1801.05599.

80. A Beginner's Guide to Generative Adversarial Networks (GANs). — URL: https://skymind.com/ wiki/generative-adversarial-network-gan.

81. Arjovsky Martin, Chintala Soumith, Bottou Léon. Wasserstein GAN. — 2017.

82. Improved Training of Wasserstein GANs / Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky et al. // Proceedings of the 31st International Conference on Neural Information Processing Systems. — NIPS'17. — 2017. — Pp. 5769-5779.

83. Larsen Anders Boesen Lindbo, S0nderby S0ren Kaae, Winther Ole. Autoencoding beyond pixels using a learned similarity metric // CoRR. — 2015. — Vol. abs/1512.09300.

153

84. Gruber Ivan. Generating Facial Images using VAEGAN // Studentska vedecka konference ZCU-FAV. — 2018. — Pp. 38-39.

85. Mirza Mehdi, Osinde_.ro Simon. Conditional Generative Adversarial Nets. — 2014.

86. Tran L., Yin X., Liu X. Disentangled Representation Learning GAN for Pose-Invariant Face Recognition // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2017.

— July. — Pp. 1283-1292.

87. Faceid-gan: Learning a symmetry three-player gan for identity-preserving face synthesis / Yu-jun Shen, Ping Luo, Junjie Yan et al. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2018. — Pp. 821-830.

88. Progressive Growing of GANs for Improved Quality, Stability, and Variation / Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen // CoRR. — 2017. — Vol. abs/1710.10196.

89. Generating custom photo-realistic faces using AI. — 2018. — URL: https://blog.insightdatascience. com/generating- custom- photo- realistic- faces- using- ai- d170b1b59255.

90. Ronneberger Olaf, Fischer Philipp, Brox Thomas. U-Net: Convolutional Networks for Biomedical Image Segmentation // CoRR. — 2015. — Vol. abs/1505.04597.

91. Brunelli Roberto, Poggio Tomaso. Face recognition: features versus templates // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1993. — Vol. 15, no. 10. — Pp. 1042-1052.

92. Face recognition from a single image per person: A survey / Xiaoyang Tan, Songcan Chen, Zhi Hua Zhou, Fuyan Zhang // Pattern Recognition. — 2006. — Vol. 39, no. 9. — Pp. 1725-1745.

93. A Survey of Recent Advances in Face Detection // Learning. — 2010. — no. June. — P. 17.

94. Facial Feature Point Detection: A Comprehensive Survey / Nannan Wang, Xinbo Gao, Dacheng Tao, Xuelong Li. — 2014.

95. Manjunath B. S., Chellappa R., von der Malsburg C. A feature based approach to face recognition // Proceedings 1992 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.

— 1992. — Jun. — Pp. 373-378.

96. Lee Tai Sing. Image Representation Using 2D Gabor Wavelets // IEEE Trans. Pattern Anal. Mach. Intell. — 1996. — . — Vol. 18, no. 10. — Pp. 959-971.

97. Face recognition by elastic bunch graph matching / L. Wiskott, N. Krüger, N. Kuiger, C. von der Malsburg // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1997.

— July. — Vol. 19, no. 7. — Pp. 775-779.

98. Campadelli Paola, Lanzarotti Raffaella. A Face Recognition System Based on Local Feature Characterization // Advanced Studies in Biometrics: Summer School on Biometrics, Alghero, Italy, June 2-6, 2003. Revised Selected Lectures and Papers / Ed. by Massimo Tistarelli, Josef Bigun, Enrico Grosso. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2005. — Pp. 147-152.

99. Biswas S., Aggarwal G., Flynn P. J. Pose-robust recognition of low-resolution face images // CVPR 2011. — 2011. — June. — Pp. 601-608.

100. Lowe David G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. — 2004. — Vol. 60, no. 2. — Pp. 91-110.

101. Shin Hochul, Kim Seong-Dae, Choi Hae-Chul. Generalized elastic graph matching for face recognition // Pattern Recognition Letters. — 2007. — Vol. 28, no. 9. — Pp. 1077 - 1082.

102. Face recognition using HOG-EBGM / Alberto Albiol, David Monzo, Antoine Martin et al. // Pattern Recognition Letters. — 2008. — Vol. 29, no. 10. — Pp. 1537 - 1543.

103. Dalal Navneet, Triggs Bill. Histograms of Oriented Gradients for Human Detection // Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05) - Volume 1 - Volume 01. — CVPR '05. — Washington, DC, USA: IEEE Computer Society, 2005. — Pp. 886-893.

104. Kepenekci B., Tek F. Boray, Akar G. Bozdagi. Occluded face recognition based on Gabor wavelets // Proceedings. International Conference on Image Processing. — Vol. 1. — 2002. — Pp. I-293-I-296 vol.1.

105. Lenc Ladislav. Face Recognition under Real-world Conditions: Doctoral Thesis / University of West Bohemia, Faculty of Applied Sciences, Department of Computer Science and Engineering. — 2014.

106. Gao Yongsheng, Qi Yutao. Robust visual similarity retrieval in single model face databases // Pattern Recognition. — 2005. — Vol. 38, no. 7. — Pp. 1009 - 1020.

107. Ojala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2002. — Jul. — Vol. 24, no. 7. — Pp. 971-987.

108. Rotation Invariant Image Description with Local Binary Pattern Histogram Fourier Features / Timo Ahonen, Jiri Matas, Chu He, Matti Pietikainen // Image Analysis: 16th Scandinavian Conference, SCIA 2009, Oslo, Norway, June 15-18, 2009. Proceedings / Ed. by Arnt-B0rre Salberg, Jon Yngve Hardeberg, Robert Jenssen. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2009. — Pp. 61-70.

109. Blessing of Dimensionality: High-Dimensional Feature and Its Efficient Compression for Face Verification / Dong Chen, Xudong Cao, Fang Wen, Jian Sun // Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition. — CVPR '13. — Washington, DC, USA: IEEE Computer Society, 2013. — Pp. 3025-3032.

110. Multi-Directional Multi-Level Dual-Cross Patterns for Robust Face Recognition / Changxing Ding, Jonghyun Choi, Dacheng Tao, Larry S. Davis // CoRR. — 2014. — Vol. abs/1401.5311.

111. Maximizing intra-individual correlations for face recognition across pose differences / Annan Li, S. Shan, X. Chen, W. Gao // 2009 IEEE Conference on Computer Vision and Pattern Recognition.

— 2009. — June. — Pp. 605-611.

112. Yi D., Lei Z, Li S. Z. Towards Pose Robust Face Recognition // 2013 IEEE Conference on Computer Vision and Pattern Recognition. — 2013. — June. — Pp. 3539-3545.

113. Alter T. D. Tech. Rep.: — Cambridge, MA, USA: 1992.

114. Recognizing partially occluded, expression variant faces from single training image per person with SOM and soft k-NN ensemble / Xiaoyang Tan, Songcan Chen, Zhi-Hua Zhou, Fuyan Zhang // IEEE Transactions on Neural Networks. — 2005. — July. — Vol. 16, no. 4. — Pp. 875-886.

115. Le H. S., Li H. Recognizing frontal face images using Hidden Markov models with one training image per person // Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. — Vol. 1. — 2004. — Aug. — Pp. 318-321 Vol.1.

116. Sirovich L., Kirby M. Low-dimensional procedure for the characterization of human faces // Journal of the Optical Society of America A: Optics, Image Science, and Vision. — 1987. — March. — Vol. 4, no. 3. — Pp. 519-524.

117. Fisher Ronald. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics.

— 1936. — September. — Vol. 7. — Pp. 179-188.

118. Martinez Aleix M. Recognizing Imprecisely Localized, Partially Occluded, and Expression Variant Faces from a Single Sample Per Class // IEEE Trans. Pattern Anal. Mach. Intell. — 2002. — . — Vol. 24, no. 6. — Pp. 748-763.

119. Probabilistic Elastic Matching for Pose Variant Face Verification / H. Li, G. Hua, Z. Lin et al. // 2013 IEEE Conference on Computer Vision and Pattern Recognition. — 2013. — June. — Pp. 3499-3506.

120. Wright J., Hua G. Implicit elastic matching with random projections for pose-variant face recognition // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — 2009. — June. — Pp. 1502-1509.

121. Kanade T., Yamada A. Multi-sub region based probabilistic approach toward pose-invariant face recognition // IEEE Unternational Symposium on Cumputational Inteligence in Robotics and Au-tomaticon (CIRA). — 2003. — July. — Pp. 954-959.

155

122. Baum Leonard E., Petrie Ted. Statistical Inference for Probabilistic Functions of Finite State Markov Chains // Ann. Math. Statist. — 1966. — 12. — Vol. 37, no. 6. — Pp. 1554-1563.

123. Samaria F. Face segmantation for identification using hidden Markov models // British Machine Vision Cinference. — 1993. — Pp. 399-408.

124. Rahimzadeh Arashloo Shervin, Kittler Josef. Energy Normalization for Pose-Invariant Face Recognition Based on MRF Model Image Matching // IEEE Trans. Pattern Anal. Mach. Intell. — 2011.

— . — Vol. 33, no. 6. — Pp. 1274-1280.

125. Pentland A., Moghaddam B., Starner T. View-based and modular eigenspaces for face recognition // 1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. — 1994. — Jun. — Pp. 84-91.

126. Face recognition with learning-based descriptor / Z. Cao, Q. Yin, X. Tang, J. Sun // 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. — 2010. — June. — Pp. 2707-2714.

127. Ahonen Timo, Hadid Abdenour, Pietikainen Matti. Face Recognition with Local Binary Patterns // Computer Vision - ECCV 2004: 8th European Conference on Computer Vision, Prague, Czech Republic, May 11-14, 2004. Proceedings, Part I / Ed. by Tomas Pajdla, Jiri Matas. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2004. — Pp. 469-481.

128. Fisher Vector Faces in the Wild / K. Simonyan, O.M Parkhi, A. Vedaldi, A. Zisserman // Procedings of the British Machine Vision Conference 2013. — 2013. — Pp. 1-11.

129. Baron Robert J. Mechanisms of human facial recognition // International Journal of Man-Machine Studies. — 1981. — Vol. 15, no. 2. — Pp. 137 - 178.

130. Belhumeur P. N., Hespanha J. P., Kriegman D. J. Eigenfaces vs. Fisherfaces: recognition using class specific linear projection // IEEE Transactions on Pattern Analysis and Machine Intelligence.

— 1997. — Jul. — Vol. 19, no. 7. — Pp. 711-720.

131. Martinez Aleix M, Kak Avinash C. PCA Versus LDA // IEEE Trans. Pattern Anal. Mach. Intell.

— 2001. — . — Vol. 23, no. 2. — Pp. 228-233.

132. Tied Factor Analysis for Face Recognition Across Large Pose Differences / Simon J. D. Prince, James H. Elder, Jonathan Warrell, Fatima M. Felisberti // IEEE Trans. Pattern Anal. Mach. Intell. — 2006. — . — Vol. 30, no. 6. — Pp. 970-984.

133. Regularized Latent Least Square Regression for Cross Pose Face Recognition / Xinyuan Cai, Chun-heng Wang, Baihua Xiao et al. // Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence. — IJCAI '13. — AAAI Press, 2013. — Pp. 1247-1253.

134. Prince S. J. D., Elder J. H. Probabilistic Linear Discriminant Analysis for Inferences About Identity // 2007 IEEE 11th International Conference on Computer Vision. — 2007. — Oct. — Pp. 1-8.

135. Moghaddam B., Nastar C., Pentland A. A Bayesian similarity measure for direct image matching // Proceedings of 13th International Conference on Pattern Recognition. — Vol. 2. — 1996. — Aug. — Pp. 350-358 vol.2.

136. Tenenbaum Joshua B., de Silva Vin, Langford John C. A Global Geometric Framework for Nonlinear Dimensionality Reduction // Science. — 2000. — Vol. 290. — Pp. 2319-2323.

137. Belkin Mikhail, Niyogi Partha. Laplacian Eigenmaps and Spectral Techniques for Embedding and Clustering // Advances in Neural Information Processing Systems 14. — MIT Press, 2001. — Pp. 585-591.

138. Saul Lawrence K., Roweis Sam T. Think Globally, Fit Locally: Unsupervised Learning of Low Dimensional Manifolds // J. Mach. Learn. Res. — 2003. — . — Vol. 4. — Pp. 119-155.

139. Learning a locality preserving subspace for visual recognition / Xiaofei He, Shuicheng Yan, Yuxi-ao Hu, Hong-Jiang Zhang // Proceedings Ninth IEEE International Conference on Computer Vision.

— 2003. — Oct. — Pp. 385-392 vol.1.

140. Zhang Junping, Li S. Z, Wang Jue. Nearest manifold approach for face recognition // Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004. Proceedings. — 2004.

— May. — Pp. 223-228.

141. Wu Yiming, Chan Kap Luk, Wang Lei. Face recognition based on discriminative manifold learning // Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. — Vol. 4.

— 2004. — Aug. — Pp. 171-174 Vol.4.

142. Face recognition using Laplacianfaces / Xiaofei He, Shuicheng Yan, Yuxiao Hu et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2005. — March. — Vol. 27, no. 3. — Pp. 328-340.

143. Nonlinear Discriminant Analysis on Embedded Manifold / S. Yan, Y. Hu, D. Xu et al. // IEEE Transactions on Circuits and Systems for Video Technology. — 2007. — April. — Vol. 17, no. 4. — Pp. 468-477.

144. Comon Pierre. Independent Component Analysis, a New Concept? // Signal Process. — 1994. — .

— Vol. 36, no. 3. — Pp. 287-314.

145. Bartlett M. S., Movellan J. R., Sejnowski T. J. Face recognition by independent component analysis // IEEE Transactions on Neural Networks. — 2002. — Nov. — Vol. 13, no. 6. — Pp. 1450-1464.

146. Lu Chaochao, Tang Xiaoou. Surpassing Human-level Face Verification Performance on LFW with Gaussian Face // Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. — AAAI'15. — AAAI Press, 2015. — Pp. 3811-3819.

147. Boosting Local Binary Pattern (LBP)-Based Face Recognition / Guangcheng Zhang, Xiang-sheng Huang, Stan Z. Li et al. // Proceedings of the 5th Chinese Conference on Advances in Biometric Person Authentication. — SIN0BI0METRICS'04. — Berlin, Heidelberg: Springer-Verlag, 2004. — Pp. 179-186.

148. Margineantu Dragos D., Dietterich Thomas G. Pruning Adaptive Boosting // Proceedings of the Fourteenth International Conference on Machine Learning. — ICML '97. — San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1997. — Pp. 211-218.

149. Kumar K. Susheel, Semwal Vijay Bhaskar, Tripathi Ramesh Chandra. Real time face recognition using adaboost improved fast PCA algorithm // CoRR. — 2011. — Vol. abs/1108.1353.

150. Weng J. J., Ahuja N., Huang T. S. Learning recognition and segmentation of 3-D objects from 2-D images // 1993 (4th) International Conference on Computer Vision. — 1993. — May. — Pp. 121-128.

151. Eleyan Alaa, Demirel Hasan. Face Recognition System Based on PCA and Feedforward Neural Networks // Computational Intelligence and Bioinspired Systems: 8th International Work-Conference on Artificial Neural Networks, IWANN 2005, Vilanova i la Geltru, Barcelona, Spain, June 8-10, 2005. Proceedings / Ed. by Joan Cabestany, Alberto Prieto, Francisco Sandoval. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2005. — Pp. 935-942.

152. Sun Y., Wang X., Tang X. Deep Learning Face Representation by Joint Identification-Verification // CoRR. — 2014. — Vol. abs/1406.4773. — Pp. 1-9.

153. Bayesian Face Revisited: A Joint Formulation / Dong Chen, Xudong Cao, Liwei Wang et al. // Proceedings of the 12th European Conference on Computer Vision - Volume Part III. — ECCV'12.

— Berlin, Heidelberg: Springer-Verlag, 2012. — Pp. 566-579.

154. Sun Y., Wang X., Tang X. Deeply learned face representations are sparse, selective, and robust // CoRR. — 2014. — Vol. abs/1412.1265. — Pp. 2892-2900.

155. Weinberger Kilian Q., Saul Lawrence K. Distance Metric Learning for Large Margin Nearest Neighbor Classification // J. Mach. Learn. Res. — 2009. — . — Vol. 10. — Pp. 207-244.

156. Pose-Aware Face Recognition in the Wild / I. Masi, S. Rawls, G. Medioni, P. Natarajan // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — June. — Pp. 4838-4846.

157. Blanz Volker, Vetter Thomas. A Morphable Model for the Synthesis of 3D Faces // Proceedings of the 26th Annual Conference on Computer Graphics and Interactive Techniques. — SIGGRAPH '99. — New York, NY, USA: ACM Press/Addison-Wesley Publishing Co., 1999. — Pp. 187-194.

158. Blanz V., Vetter T. Face recognition based on fitting a 3D morphable model // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2003. — Sept. — Vol. 25, no. 9. — Pp. 1063-1074.

159. A 3D Face Model for Pose and Illumination Invariant Face Recognition / P. Paysan, R. Knothe, B. Amberg et al. // 2009 Sixth IEEE International Conference on Advanced Video and Signal Based Surveillance. — 2009. — Sept. — Pp. 296-301.

160. Amberg Brian. Optimal Step Nonrigid ICP Algorithms for Surface Registration //In CVPR'07. — 2007.

161. Prabhu U., Heo J., Savvides M. Unconstrained Pose-Invariant Face Recognition Using 3D Generic Elastic Models // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2011. — Oct. — Vol. 33, no. 10. — Pp. 1952-1961.

162. Using 3D Models to Recognize 2D Faces in the Wild / I. Masi, G. Lisanti, A. D. Bagdanov et al. // 2013 IEEE Conference on Computer Vision and Pattern Recognition Workshops. — 2013. — June.

— Pp. 775-780.

163. Wang Huafeng, Wang Yunhong, Cao Yuan. Video-based Face Recognition: A Survey // International Journal of Computer, Electrical, Automation, Control and Information Engineering. — 2009. — Vol. 3, no. 12. — Pp. 2809 - 2818.

164. A Survey on Heterogeneous Face Recognition / Shuxin Ouyang, Timothy Hospedales, Yi-Zhe Song et al. // Image Vision Comput. — 2016. — . — Vol. 56, no. C. — Pp. 28-48.

165. Klare Brendan, Jain Anil K. Sketch to Photo Matching: A Feature-based Approach. — 2010.

166. Kiani Galoogahi H., Sim T. Face sketch recognition by Local Radon Binary Pattern: LRBP // 2012 19th IEEE International Conference on Image Processing. — 2012. — Sep. — Pp. 1837-1840.

167. Zhang W., Wang X., Tang X. Coupled information-theoretic encoding for face photo-sketch recognition // CVPR 2011. — 2011. — June. — Pp. 513-520.

168. Klare B., Li Z, Jain A. K. Matching Forensic Sketches to Mug Shot Photos // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2011. — March. — Vol. 33, no. 3. — Pp. 639-646.

169. Xiaoou Tang, Xiaogang Wang. Face photo recognition using sketch // Proceedings. International Conference on Image Processing. — Vol. 1. — 2002. — Sep. — Pp. I-I.

170. A nonlinear approach for face sketch synthesis and recognition / Qingshan Liu, Xiaoou Tang, Hongliang Jin et al. // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). — Vol. 1. — 2005. — June. — Pp. 1005-1010 vol. 1.

171. Zhong J., Gao X., Tian C. Face Sketch Synthesis using E-HMM and Selective Ensemble // 2007 IEEE International Conference on Acoustics, Speech and Signal Processing - ICASSP '07. — Vol. 1.

— 2007. — April. — Pp. I-485-I-488.

172. A New Approach for Face Recognition by Sketches in Photos / Bing Xiao, Xinbo Gao, Dacheng Tao, Xuelong Li // Signal Process. — 2009. — . — Vol. 89, no. 8. — Pp. 1576-1588.

173. Lin Dahua, Tang Xiaoou. Inter-modality Face Recognition // Computer Vision - ECCV 2006 / Ed. by Ales Leonardis, Horst Bischof, Axel Pinz. — Berlin, Heidelberg: Springer Berlin Heidelberg, 2006. — Pp. 13-26.

174. Sharma A., Jacobs D. W. Bypassing synthesis: PLS for face recognition with pose, low-resolution and sketch // CVPR 2011. — 2011. — June. — Pp. 593-600.

175. Gordon Gaile G. Face recognition based on depth maps and surface curvature // SPIE Geometric methods in Computer Vision. — 1991. — Pp. 234-247.

176. Tanaka H. T., Ikeda M., Chiaki H. Curvature-based face surface recognition using spherical correlation. Principal directions for curved object recognition // Proceedings Third IEEE International Conference on Automatic Face and Gesture Recognition. — 1998. — Apr. — Pp. 372-377.

158

177. Amberg B., Knothe R., Vetter T. Expression invariant 3D face recognition with a Morphable Model // 2008 8th IEEE International Conference on Automatic Face Gesture Recognition. — 2008. — Sept. — Pp. 1-6.

178. Face recognition from 3D data using Iterative Closest Point algorithm and Gaussian mixture models / J. Cook, V. Chandran, S. Sridharan, C. Fookes // Proceedings. 2nd International Symposium on 3D Data Processing, Visualization and Transmission, 2004. 3DPVT 2004. — 2004. — Sept. — Pp. 502-509.

179. Chua Chin-Seng, Han Feng, Ho Yeong-Khing. 3D human face recognition using point signature // Proceedings Fourth IEEE International Conference on Automatic Face and Gesture Recognition (Cat. No. PR00580). — 2000. — Pp. 233-238.

180. Achermann B., Bunke H. Classifying range images of human faces with Hausdorff distance // Proceedings 15th International Conference on Pattern Recognition. ICPR-2000. — Vol. 2. — 2000. — Pp. 809-813 vol.2.

181. Lv S., Da F., Deng X. A 3D face recognition method using region-based extended local binary pattern // 2015 IEEE International Conference on Image Processing (ICIP). — 2015. — Sept. — Pp. 3635-3639.

182. Chang Kyong I., Bowyer Kevin W, Flynn Patrick J. Face recognition using 2D and 3D facial data // ACM Workshop on Multimodal User Authentication. — 2003. — Pp. 25-32.

183. Papatheodorou T., Rueckert D. Evaluation of automatic 4D face recognition using surface and texture registration // Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004. Proceedings. — 2004. — May. — Pp. 321-326.

184. Tsalakanidou F., Tzovaras D., Strintzis M. G. Use of Depth and Colour Eigenfaces for Face Recognition // Pattern Recogn. Lett. — 2003. — . — Vol. 24, no. 9-10. — Pp. 1427-1435.

185. RGB-D-Based Face Reconstruction and Recognition / Gee-Sern Jison Hsu, Yu-Lun Liu, Hsiao-Chia Peng, Po-Xun Wu // Trans. Info. For. Sec. — 2014. — . — Vol. 9, no. 12. — Pp. 2110-2118.

186. 2D - 3D face matching using CCA / W. Yang, D. Yi, Z. Lei et al. // 2008 8th IEEE International Conference on Automatic Face Gesture Recognition. — 2008. — Sept. — Pp. 1-6.

187. Asymmetric 3D/2D face recognition based on LBP facial representation and canonical correlation analysis / Di Huang, M. Ardabilian, Yunhong Wang, L. Chen // 2009 16th IEEE International Conference on Image Processing (ICIP). — 2009. — Nov. — Pp. 3325-3328.

188. Bidirectional relighting for 3D-aided 2D face recognition / G. Toderici, G. Passalis, S. Zafeiriou et al. // 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. — 2010. — June. — Pp. 2721-2728.

189. RGB-D-T Based Face Recognition / O. Nikisins, K. Nasrollahi, M. Greitans, T. B. Moeslund // 2014 22nd International Conference on Pattern Recognition. — 2014. — Aug. — Pp. 1716-1721.

190. Illumination invariant face recognition using thermal infrared imagery / D. A. Socolinsky, L. B. Wolff, J. D. Neuheisel, C. K. Eveland // Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001. — Vol. 1. — 2001. — Pp. I-527-I-534 vol.1.

191. Chen Xin, Flynn Patrick J., Bowyer Kevin W. Visible-light and infrared face recognition // in: Proceedings of ACM Workshop on Multimodal User Authentication. — 2003. — Pp. 48-55.