基于深度学习的人脸识别表示的全面分析
计算机视觉与模式识别
2016-06-10 v1
摘要
由于在具有挑战性的自然数据集上取得了显著的性能提升，基于深度学习的方法一直主导着人脸识别领域。这些方法已在 Labeled Faces in the Wild 和 YouTube Faces 等非受限数据集上进行了广泛测试。然而，迄今为止，它们处理由头部姿态、光照、遮挡和未对齐等因素引起的个体外观变化的能力尚未得到彻底评估。在本文中，我们提出了一项全面研究，以评估基于深度学习的人脸表示在多种条件下的性能，包括变化的头部姿态角、上下半脸遮挡、不同强度的光照变化以及由面部特征定位错误导致的未对齐。我们利用了两个成功且公开可用的深度学习模型，即 VGG-Face 和 Lightened CNN 来提取人脸表示。所得结果表明，尽管深度学习为人脸识别提供了强大的表示，但它仍可受益于预处理，例如用于姿态和光照归一化，以在各种条件下实现更好的性能。特别是，如果这些变化未包含在用于训练深度学习模型的数据集中，预处理的作用就变得更加关键。实验结果还表明，基于深度学习的表示对未对齐具有鲁棒性，并且能够容忍高达瞳间距 10% 的面部特征定位误差。
引用
@article{arxiv.1606.02894,
title = {A Comprehensive Analysis of Deep Learning Based Representation for Face Recognition},
author = {Mostafa Mehdipour Ghazi and Hazim Kemal Ekenel},
journal= {arXiv preprint arXiv:1606.02894},
year = {2016}
}