面向人脸识别顶级性能的良好实践：迁移深度特征融合
计算机视觉与模式识别
2018-02-12 v2
摘要
近年来，无约束人脸识别性能评估传统上集中于Labeled Faces in the Wild (LFW) 图像数据集和YouTubeFaces (YTF) 视频数据集。该领域的惊人进展导致这些基准数据集的验证与识别精度趋于饱和。本文提出一种名为迁移深度特征融合（TDFF）的统一学习框架，面向NIST人脸挑战发布的新IARPA Janus Benchmark A (IJB-A) 人脸识别数据集。IJB-A数据集包含来自500个主体的真实世界无约束人脸，具有完全的姿态与光照变化，比LFW和YTF数据集困难得多。受迁移学习启发，我们分别使用源域中两个不同的大型数据集训练两个先进的深度卷积神经网络（DCNN）。通过探索两个不同DCNN的互补性，在目标域特征提取后利用深度特征融合。然后采用模板特定的线性SVM增强框架的判别力。最后，将对应于不同模板的多个匹配分数融合作为最终结果。这一简单的统一框架在IJB-A数据集上展现出优异性能。基于所提方法，我们已将IJB-A结果提交至美国国家标准与技术研究院（NIST）进行官方评估。此外，通过引入新数据和先进神经架构，我们的方法在IJB-A数据集上大幅优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.1704.00438,
title = {A Good Practice Towards Top Performance of Face Recognition: Transferred Deep Feature Fusion},
author = {Lin Xiong and Jayashree Karlekar and Jian Zhao and Yi Cheng and Yan Xu and Jiashi Feng and Sugiri Pranata and Shengmei Shen},
journal= {arXiv preprint arXiv:1704.00438},
year = {2018}
}
备注
13 pages, 10 figures